案例：给企业 AI Agents 装上“长期记忆”和“企业上下文”：V7 如何用 Context Graph 跑通复杂商业工作流
企业智能体为什么总像第一天上班的新员工？V7 把散落文件整理成可追溯的 Context Graph，再让 Luna、Terra、Sol 与 Astra 分工完成从抽取到复杂推理的工作。
OpenAI 发布的案例研究展示了欧洲初创企业 V7 打造的企业级智能体平台 V7 Go。它要解决的不是“怎样再造一个更聪明的聊天机器人”，而是一个更具体的企业问题：怎样让 AI 知道公司内部发生过什么、不同文件里的实体怎样关联，以及一项结论究竟来自哪份材料。
V7 的答案可以概括成一条完整链路：先把散落的企业文件整理成带来源引用的 Context Graph，再让不同能力与成本档位的模型分工执行，最后把检索、推理、工具调用和审计串进同一条工作流。
- 企业智能体的主要障碍常常不是不会推理，而是不知道哪份文件最新、不同系统里的名称是否指向同一实体，以及一项结论应追溯到哪份证据。
- V7 预先抽取实体、关系、事实和引用：常见关系走 Context Graph，图谱信息不足时回到底层文档做 RAG；近期对话留在模型上下文，较早材料进入图谱按需取回。
- 高通量抽取、复杂工具调用和极难图谱查询分别交给 Luna、Terra/Sol 与 Astra。V7 报告成本、错误率和复杂查询准确率均有改善。
- 这套架构最适合跨文档关系密集、实体定义相对稳定、且每项结论必须回到原始证据的业务。普通问答库若用基础 RAG 已能解决，建图谱反而会增加维护成本。
1. 核心痛点：AI 容易“失忆”，也不懂公司的内情
在严肃的企业业务中，一位合格的资深分析师从来不会只看手头的一份 PDF。他知道某家被投企业去年剥离过核心子公司，知道三份看似矛盾的估值表中哪一份才是审计后的定稿，也知道不同业务系统里名称各异的部门其实由同一个人负责。这些维系业务运转的历史、关系和判断依据，就是企业的“制度记忆”。
通用大模型不会天然拥有这些记忆。企业报告、数据室、财务表格、邮件和内部系统散落各处；同一家机构可能有多种名称，同一个指标也可能存在多个版本。对金融、保险、房地产等行业而言，工作流中的检索准确性是不可妥协的刚性要求；智能体即使会推理，也无法自动知道哪些材料属于同一条业务链、哪个数字更新，以及一项判断应该引用什么证据。
如果没有结构化记忆，智能体在处理每个新任务时，都要重新搜索、阅读并拼接相关文件。这种每次请求都要重新发现上下文的方式会增加调用时间和 token 消耗，也可能漏掉藏在跨文件关系里的关键事实。
基础检索增强生成（RAG）可以按照语义相似度找出相关段落，超长上下文窗口也可以一次容纳更多材料，但真正困难的往往是关系型问题。例如，要判断某只基金投过的项目中哪些会受一项新规则影响，答案可能分别藏在基金台账、项目尽调报告和行业合规备忘录里。找到三个相关片段只是第一步，还必须确认其中的基金、项目和规则确实指向同一条业务链。
2. V7 的解法：用 Context Graph 补上企业记忆
V7 Go 的核心机制叫 Context Graph，即“上下文图谱”。它不是等用户提问后才临时翻找全部文件，而是在材料进入系统时就先整理其中的实体、关系、事实和来源。
企业接入 SharePoint、Google Drive 等云端存储后，每当新文件到达，V7 Go 会扫描文档，并依据预设的业务本体（Ontology，也就是业务认可的实体类别和关系规则）识别公司、基金、关键人物、合同条款和资产指标等本体实体。系统将提取出的每项事实连接并挂接到新记录或已有记录上，同时保留指向原始文档具体位置的引用证据。
[原始文档接入] (SharePoint / Google Drive)
│
▼
[实体与事实抽取] (识别公司、人员、基金、条款、指标)
│
├──────────────────────────────┐
▼ ▼
[图谱直接查询] [底层原文 RAG 兜底]
(沿实体关系查询历史记录) (图谱信息不足时检索原文档)
│ │
└──────────────┬───────────────┘
▼
[生成带精准引用的业务结果]
智能体由此获得两条取数路径。常见的关系查询直接沿图谱寻找关联事实；如果结构化信息不足以回答细节问题，系统再回到底层原文做 RAG 检索。V7 称，图谱遍历的成本和速度相较长上下文方案具有数量级优势：实体消歧与关系连接提前完成，查询直接沿已知节点和边取数，避免了每次重新把大量文档塞进长上下文。
记忆本身也被分成两层：近期对话留在模型的即时上下文中，保证当前任务连续；较早的材料进入 Context Graph，需要时再按实体和关系取回。这样，长期记忆不必一直占据上下文窗口，旧信息也不需要在每次任务中从头搜索。
在针对企业异构数据检索连接的 HERB 基准测试中，V7 报告其检索系统超过官方基线 69%，不可回答问题上的幻觉减少 38%。这组结果主要说明：把企业信息的关系提前整理出来，可能同时改善检索和拒答表现。
3. OpenAI 多款模型“组团打怪”：不同难度交给不同模型
把企业记忆整理出来，还不等于复杂任务就能稳定完成。一次长流程往往由确定性代码、小模型交接、文件生成步骤、外部系统集成和模型步骤共同组成，可复用工作流甚至能横跨数百步。在这类长链条中，如果上游一次工具调用失败或理解出错，错误就会向后层层传播，导致后续步骤一起偏离，造成昂贵代价并破坏对系统的信任；但若所有步骤都调用最强、最贵的模型，成本又难以控制。
为了支持模型路由，V7 持续评测引用准确率、数百种文档类型的抽取质量、答案正确性、指令遵循、延迟、成本和真实企业工作流，以此将工序划分档位并路由模型：
- GPT-5.6 Luna 负责高通量抽取。 V7 用它从数百万份文件中抽取信息并沉淀至图谱，报告准确率提高 11.6 个百分点，单文档处理成本相较 GPT-5.4 mini 降低 78%。
- GPT-5.6 Terra 和 Sol 负责复杂流程。 多步推理、跨应用工具调用、人机对话和一些原本需要人类数十小时的复杂指令进入这一层。在 V7 的 Context Graph 基准中，GPT-5.6 Sol 的工具调用错误率为 0.2%，GPT-5.5 为 2.7%。V7 称 Terra 让团队删除了过去只为迁就弱模型而存在的中间步骤，节省数天交付工作，并经常让工作流第一版直接跑通。
- GPT-6 Astra 负责最难的跨文档查询。 V7 用包含数千份复杂文档的数据建立四档难度测试；在最难一档中，Sol 得到 78%，Astra 达到 89%，两者在简单、中等和困难档都接近 100%。
这套分工把“模型越强越好”改成了“让合适的模型处理合适的步骤”。大量重复抽取由轻量模型优先控制单位成本，涉及工具和决策链的步骤优先保障稳定性以防错误向后传播，真正困难的图谱推理才调用最高档模型。在此过程中，系统清晰区分事实引用与每次运行的决策轨迹两类审计：前者保留事实在原始文档中的精确出处，后者完整记录每次运行中模型的决策轨迹。
在私募股权交易的初筛演示中，这种分工不再表现为一个单独的聊天框。系统读取机密信息备忘录（CIM），把财务指标、交易条款、管理团队和风险等内容放进结构化字段；工作流画布上的“竞品交易指标”“重大风险标志”“交易机会评估”等节点依次处理材料，最终评估按维度得分和指标生成结论，并引用相应来源文件。
V7 还把图谱能力接进企业已有工具。Context Graph 的查询和数据摄取能力被封装成 MCP 服务，客户可以从 ChatGPT 等兼容客户端查询图谱，也可以在 Codex 中通过 MCP 创建 V7 Go 工作流。V7 称，这项接入连同更简单的工作流设计，使一条中等长度工作流的搭建时间从约 1 小时缩短到约 20 分钟。
底层接口也从 Chat Completions API 转向 Responses API。V7 的测试显示，一些 PDF 密集工作流的 token 消耗减少约 5%，缓存可靠性有所改善；在最新运行框架中，包含多次外部调用的关键工作流最快缩短了 50% 的完成时间。在具体供应商经历方面，OpenAI 在数小时内便完成了其产能扩容需求，而 V7 使用的其他供应商通常需要数周。
4. 真实商业价值：时间、成本和错误率具体改善多少？
Context Graph 与模型路由最终要回答的，是企业是否真的少花时间、少出错、少消耗专家人力。OpenAI 的案例研究列出了三组客户结果：
- 资产管理： 私募交易初筛提速 21 倍，从全天缩短到 15 分钟。
- 金融服务： 审查时间从 100 多小时降到 10 小时以内，每项任务节省约 1.2 万美元专家成本。
- 保险： 在引入历史理赔与既有保单知识后，处理差错相较人工基线降低 13.5%。
这些数字描述的是特定客户的工作流，不等于所有企业部署后都会得到同样结果。把技术基准和客户结果放在一起看，更容易理解每项数字回答的究竟是什么问题：
| 指标项目 | V7 公布的表现 | 它回答的问题 | 使用时需要知道的条件 |
|---|---|---|---|
| 文档抽取成本 | 相比 GPT-5.4 mini 降低 78% | Luna 是否更适合高通量文档处理 | 来自 V7 的文档处理负载 |
| 工具调用错误率 | GPT-5.6 Sol 为 0.2%，GPT-5.5 为 2.7% | 模型升级是否改善多步流程的工具稳定性 | 来自 V7 的 Context Graph 基准 |
| 工作流整体精度 | V7 称 50–100 步工作流达到 99.9% 准确率 | V7 是否把长流程作为整体质量对象管理 | 页面没有给出准确率的完整计算口径 |
| 复杂图谱查询 | Astra 最难题得分 89%，Sol 为 78% | 更强模型是否改善最复杂的跨文档查询 | V7 自建四档难度测试，使用数千份文档 |
| 业务初筛提速 | 从全天降到 15 分钟，提速 21 倍 | 图谱工作流是否减少人工初筛时间 | 特定资产管理客户案例 |
这组结果说明，V7 的收益并非只来自更强模型。预先整理上下文减少了重复检索，模型路由控制了成本和错误，结构化工作流让每一步可以复用，来源引用则让结果能够回到原始材料审查。
5. 下一步：从“被动查询”走向“主动提醒”
当前的 Context Graph 主要在收到查询或工作流任务后提供记忆。V7 正在开发的下一步，是事件驱动的主动记忆：当图谱里的事实发生变化，系统自动触发工作流、标出矛盾，并提示哪些旧分析需要重做。
例如，一份基金报告被追溯重述后，系统可以找出仍在使用旧数字的分析并发出提醒。这样，企业记忆就不再只是“需要时去查的知识库”，还会成为持续检查业务状态的触发器。
这仍是 V7 描述的长期研发方向。它真正重要的地方，是把企业智能体的竞争重点从“部署多少个 Agent”转向“是否拥有可更新、可追溯、能驱动行动的业务上下文”。
什么企业值得采用：三个判断标准
Context Graph 并非所有企业 AI 项目的必选项。构建图谱需要定义实体和关系，也需要持续维护。是否值得做，可以从三个具体问题判断。
业务是否高度依赖跨文档关系？
如果需求主要是独立规章、操作手册或常见问答，基础的文档切片和向量 RAG 通常已经够用。只有当分析必须频繁串联多个系统和多个年份的实体关系，例如金融尽调、投资穿透或复杂保单理赔，预先整理图谱才更可能抵消建设成本。
企业是否有稳定的实体和关系定义？
图谱需要先知道什么是公司、基金、项目、条款和责任人，以及它们怎样关联。业务本体越稳定，抽取结果越容易检查和维护。如果术语和流程仍频繁变化，图谱中会不断产生重复或错误节点，反而可能误导后续推理。
结论是否必须回到原始证据？
在灵感生成或开放式摘要中，输出合理往往已经足够；在合规、财务、法务和核保等场景中，错误会直接影响业务判断。此时可以检查一个信号：审查人员能否从生成结论沿引用回到对应文档，并确认使用的是正确实体、正确版本和正确指标。做不到这一点，再整齐的图谱也很难成为可信的企业记忆。
实操带走包
滚动查看原始 Markdown，复制后可按团队实际系统与政策修改。
正在载入 Markdown…
案例：给企业 AI Agents 装上“长期记忆”和“企业上下文”：V7 如何用 Context Graph 跑通复杂商业工作流
在严肃的企业业务中，一位合格的资深分析师从来不会只看手头的一份 PDF。他知道某家被投企业去年剥离过核心子公司，知道三份看似矛盾的估值表中哪一份才是审计后的定稿，也知道不同业务系统里名称各异的部门其实由同一个人负责。这些维系业务运转的历史、关系和判断依据，就是企业的“制度记忆”。
通用大模型不会天然拥有这些记忆。企业报告、数据室、财务表格与业务系统散落各处；同一机构可能有多种别称，同一个指标也存在版本演进。在处理诸如“某只基金投过的项目中哪些受新规则影响”时，线索分散在基金台账、项目尽调与合规备忘录各处。如果缺乏结构化记忆，智能体每次处理任务都必须重新搜索、阅读并拼接相关文件，不仅耗费巨量 token 和调用时间，更极易漏掉藏在跨文件关系里的关键事实。
为了从根源解决重复检索与关系割裂，V7 Go 并不在提问后临时翻找全库，而是在文档进入云端存储时就依据业务本体（Ontology）完成事实、实体与引用的预先提取，并构建持久化的 Context Graph（上下文图谱）。
智能体由此获得两条取数路径：常见的关系查询直接沿图谱寻找关联事实；如果结构化信息不足以回答细节问题，系统再回到底层原文做 RAG 检索。实体消歧与关系连接提前完成后，图谱遍历在成本与速度上较长上下文方案具有数量级优势，避免了把海量文档全量塞进提示词的低效开销。
系统同时实现分层记忆治理：近期对话留在模型即时上下文以维持任务连续；较早材料全部归入 Context Graph 按需索引召回。在异构数据检索基准 HERB 测试中，该系统超过官方基线 69%，不可回答问题上的幻觉减少 38%。
把企业记忆整理出来，还不等于复杂任务就能稳定完成。长链条工作流可横跨数百步，若上游工具调用失败，错误就会向后层层传播导致系统脱轨；但若所有环节都调用最强模型，成本又难以承受。V7 据此设立了三档模型路由分工：
这种分工体系确立了务实的工程原则：大量重复抽取由轻量模型优先控制单位成本，涉及工具和决策链的步骤优先保障稳定性以防错误向后传播，真正困难的图谱推理才调用最高档模型。配合 Responses API 与 MCP 协议接入，中等工作流搭建时间从 1 小时压缩至 20 分钟。
图谱治理与模型分工的最终落脚点在于企业商业效率的真实改观。OpenAI 披露的实际案例呈现了显著的成效跃升：
从被动查询走向主动提醒：目前的 Context Graph 主要响应即时任务。V7 正在研发事件驱动机制：当某份基金报告或财务数据被追溯重述时，系统会自动定位依赖该旧数据的历史分析并发起预警，驱动企业记忆从“被动检索知识库”演变为“主动业务监控中枢”。
构建与维系图谱需要定义本体和承担维护成本，并非所有企业 AI 项目都适用。如果需求主要是独立规章、操作手册或常见问答，基础的文档切片和向量 RAG 通常已经够用。在技术选型时，应结合三个核心条件判断：
V7 cuts costs 78% while boosting accuracy with GPT-5.6 Luna
Using GPT-5.6, V7 turns scattered company files into context agents can use to complete complex, source-linked work.
Today’s models can reason through complex tasks, but they don’t automatically understand the underlying business context of those tasks. Which fund report is current? How is the same entity named across three systems?
That context lives in documents, data rooms, spreadsheets, emails, and internal tools: scattered, unresolved, and invisible to agents. For teams in finance, insurance, and real estate, retrieval accuracy within workflows is non-negotiable.
After building a widely used computer vision accessibility app together, Rizzoli and Edwardsson started V7(opens in a new window) in 2018 to help companies teach AI systems how their businesses work. V7 Go is an agentic platform to build mission critical workflows, and organize buried context into memory that agents can query and act on.
V7 Go uses GPT‑5.6 Luna to extract information from millions of files and organize it in the Context Graph, which connects entities, relationships, and cited evidence, powering MCP search and repeatable workflows that can span hundreds of steps. For Workflows, V7 Go uses GPT‑5.6 Terra and Sol for reasoning and tool use across complex, multi-step instructions that take humans dozens of hours to complete. V7 is also starting to use GPT‑6 Astra on the most demanding Context Graph queries, including financial analysis across thousands of documents.
With context, models, and tools working together, V7 says agents complete 50–100 step workflows in minutes, reaching 99.9% accuracy, while maintaining an auditable trail of every decision made.
“To solve hard enterprise use cases across finance and insurance, AI needs to learn how your business operates just as well as it learned from the Internet.”
—Alberto Rizzoli, Co-Founder and CEO at V7
Giving agents the context to understand the whole business
The Context Graph solves a specific problem. Agents have to rediscover context on every request, leading to dozens of searches costing time and tokens, and often missing key information buried in relationships.
When data arrives, V7 Go connects to repositories such as SharePoint and Google Drive, scans them for entities, relationships, facts, attributes, and metrics, and populates a graph that’s an order of magnitude cheaper and faster to traverse than long-context approaches.
The Context Graph gives agents a structured, up-to-date record they can query directly. When a new file arrives, V7 Go identifies the companies, funds, people, or any entity in an ontology, then connects each fact to a new or existing record, and preserves cited evidence to the original source. If the graph does not contain enough information, V7 Go can still search the underlying documents with RAG.
V7 has also tested how much the structure of that context matters. On HERB, a benchmark for finding and connecting information spread across enterprise systems, V7’s retrieval-only system outperformed the official baseline by 69% and reduced hallucinations on un-answerable queries by 38%. V7 Go uses that source-linked context to keep complex workflows grounded in each company’s own information.
V7 Go uses that organized context in workflows such as private equity deal screening and insurance underwriting. In the demo below, a workflow extracts information from a deal document called a Confidential Information Memorandum (CIM) feeds key financials, deal terms, management details, and cites risk fields before V7 Go produces a screening note.
The Context Graph makes it so that a model can work with a firm’s history without relearning it each time. For long-running agents, V7 Go keeps recent exchanges in the model’s active context and stores older material in the graph to be retrieved when needed.
That shared context is already speeding up document-heavy work across V7’s customers:
- Asset managers can screen deals 21x faster than before, reducing a full-day process to just 15 minutes
- A financial services team cut review time from more than 100 hours to under 10, saving $12,000 in expert costs per task
- Insurance teams reduced errors in claims processing by 13.5% compared to a manual baseline, after granting their agents historical knowledge of all previous claims and existing policies
“With GPT-5.6 Terra, we have been able to remove many intermediate workflow stages that previously existed only to simplify the task for the model. It’s saved us days of delivery work and often gets things right on the first build of a workflow, thanks to a stronger model and access to more context.”
—Simon Edwardsson, Co-Founder and CTO at V7
Choosing OpenAI to keep complex workflows on track
Complex, multi-step workflows depend on a model reliably following lengthy instructions, running tools, interpreting results, and navigating a long series of steps. A single upstream error can lead to expensive consequences and broken trust in AI systems. V7 Go guides models across long horizon tasks spanning deterministic code, handovers to smaller models, file generation steps, and integrations, with an auditable trace of every run.
In AI-generated workflows, V7 Go maps each step to fast, medium, and smart tiers. GPT‑5.6 Luna handles structured extraction and other high-volume work, and GPT‑5.6 Terra or Sol power chat, the Go Agent path, and steps that require more reasoning or tool use.
V7 tests new models against a continuously maintained benchmark suite covering citation accuracy, extraction quality across hundreds of document types, answer correctness, instruction following, latency, cost, and real-world enterprise workflows. OpenAI outperforms most models on the behaviors V7 cares about most. OpenAI also approved and implemented V7’s capacity increase needs within hours, compared with weeks for other providers V7 uses.
“We chose OpenAI as our default because it performs best on the multi-step tool workflows V7 Go depends on. In our Context Graph benchmark, GPT-5.6 Sol reduced the tool-call error rate from 2.7% with GPT-5.5, to 0.2%”
—Simon Edwardsson, Co-Founder and CTO at V7
In V7’s latest harness, key workflows with several external calls now finish up to 50% faster. V7 measured another efficiency gain with GPT‑5.6 Luna: a 78% lower cost per document than with GPT‑5.4 mini. V7 also moved its document-heavy V7 Go workloads from the Chat Completions API to the Responses API. In its testing, the change reduced token use by roughly 5% for some PDF-heavy workflows and improved caching reliability.
V7 also tested GPT‑6 Astra on its most difficult queries. GPT‑5.6 Sol had saturated many of V7’s existing benchmarks, so the company created a more challenging set of graph-query questions using messier, real-world data across thousands of documents. The test’s dataset spans four difficulty levels. On the very-hard level, V7 reports that GPT‑5.6 Sol scored 78%, while GPT‑6 Astra scored 89% accuracy. Both models scored close to 100% on the easy, medium, and hard levels.
Bringing what the business knows into ChatGPT and Codex
V7 Go already exposes Context Graph querying and ingestion through its MCP server, so customers can use it from ChatGPT and other compatible clients. They can also create V7 Go workflows through MCP in Codex. Together with simpler workflow design, this has reduced the time required to create a medium-length workflow from around one hour to about 20 minutes.
V7’s longer-term goal is to make that shared memory more proactive. The team is working toward workflows that start when facts in the Context Graph change, flag inconsistencies, and show people which analyses need another look. A restated fund report, for example, could prompt V7 Go to flag work that still relies on the old figures.
“Our goal is to help enterprises re-tool for the age of AI, with workflows that solve mission critical tasks, and memory that outperforms us humans” says Rizzoli. “Finance firms getting real value from AI will not be the ones with the most agents. They will be the ones with the best context.”