V7 Go 与 OpenAI 模型集成以实现机构记忆

V7 Go 是一个代理平台，旨在通过将分散的业务上下文组织成可查询的上下文图（Context Graph），为 AI 代理提供「机构记忆」。通过集成 OpenAI 的 GPT-5.6 和 GPT-6 Astra 模型，V7 Go 使代理能够在几分钟内以 99.9% 的准确率完成 50–100 步的工作流，同时保留完整的决策审计轨迹。

上下文图：解决企业上下文断层问题

上下文图提供了一个结构化、实时更新的实体、关系、事实、属性和指标记录，消除了代理在每次请求时重新发现上下文的需求。据报告，这种方法在遍历速度和成本上比长上下文方法快一个数量级。

技术实现与检索

当数据从 SharePoint 和 Google Drive 等仓库中摄入时，V7 Go 会识别本体中的实体，并将事实连接到记录，同时保留对原始来源的引用证据。如果上下文图缺乏足够信息，系统将回退到检索增强生成（RAG）以搜索底层文档。

性能基准测试

在连接企业系统间信息的 HERB 基准测试中，V7 的仅检索系统取得了以下成果：

  • 检索准确率： 比官方基线高出 69%。
  • 幻觉减少： 在无法回答的问题上，幻觉减少了 38%。

工作流自动化与业务影响

V7 Go 使用分层模型方法处理此前需要数十小时人工投入的复杂多步指令。该平台将步骤映射到三个层级：快速、中等和智能。

模型分配

  • GPT-5.6 Luna： 用于结构化提取和高吞吐量任务。
  • GPT-5.6 Terra 和 Sol： 驱动聊天、Go 代理路径以及需要高级推理或工具使用的任务。
  • GPT-6 Astra： 用于最复杂的上下文图查询，例如跨数千份文档的财务分析。

现实世界效率提升

  • 资产管理： 交易筛选速度提升 21 倍，将整个工作日流程缩短至 15 分钟。
  • 金融服务： 审查时间从超过 100 小时降至不到 10 小时，每项任务节省 12,000 美元专家成本。
  • 保险： 与人工基线相比，理赔处理错误率降低了 13.5%。

OpenAI 模型性能与集成

V7 选择 OpenAI 作为默认提供商，因其在多步工具工作流中的卓越性能以及快速扩展容量的能力。

准确率与效率指标

  • 工具调用错误率： GPT-5.6 Sol 将工具调用错误率降至 0.2%，相比 GPT-5.5 的 2.7% 显著降低。
  • 成本降低： GPT-5.6 Luna 的单位文档成本比 GPT-5.4 mini 降低了 78%。
  • 延迟： 包含外部调用的关键工作流现在最多可快 50%。
  • API 优化： 将文档密集型工作负载迁移至 Responses API，使部分 PDF 密集型工作流的 token 使用量减少约 5%，并提升了缓存可靠性。

GPT-6 Astra 评估

在使用数千份真实文档数据的测试中，V7 在「非常难」难度级别上对比了 GPT-5.6 Sol 和 GPT-6 Astra：

  • GPT-5.6 Sol： 准确率为 78%。
  • GPT-6 Astra： 准确率为 89%。 两个模型在简单、中等和困难级别上的得分均接近 100%。

生态系统集成与未来方向

V7 Go 通过 MCP 服务器暴露其上下文图查询和摄入功能，支持与 ChatGPT 和 Codex 的集成。该集成已将创建中等长度工作流的时间从一小时缩短至约 20 分钟。

未来的发展重点是使共享记忆具备主动性，使工作流在上下文图中的事实发生变化或检测到不一致时自动触发，例如在基金报告被重述时自动更新分析。

Sources