V7 Go 與 OpenAI 模型整合以實現機構記憶

V7 Go 是一個代理平台，旨在透過將分散的業務背景組織成可查詢的「情境圖」，為 AI 代理提供「機構記憶」。透過整合 OpenAI 的 GPT-5.6 和 GPT-6 Astra 模型，V7 Go 使代理能在數分鐘內以 99.9% 的準確率完成 50–100 步的流程，同時保留完整的決策審計追蹤。

情境圖：解決企業情境缺口

情境圖提供了一個結構化、即時更新的實體、關係、事實、屬性和指標記錄，消除了代理在每次請求時重新發現情境的需要。據報告，這種方法在遍歷時比長上下文方法便宜和快速一個數量級。

技術實作與檢索

當資料從 SharePoint 和 Google Drive 等儲存庫中導入時，V7 Go 會在本體中識別實體，並將事實連結至記錄，同時保留對原始來源的引用證據。如果情境圖缺乏足夠資訊，系統會回退至檢索增強生成（RAG）以搜尋底層文件。

性能基準

在連接企業系統間資訊的 HERB 基準測試中，V7 的僅檢索系統達到了以下成果：

• 檢索準確率： 比官方基線高出 69%。
• 幻覺減少： 對無法回答的查詢，幻覺減少 38%。

工作流程自動化與業務影響

V7 Go 使用分層模型方法來處理先前需要數十小時人工時間的複雜多步指令。該平台將步驟映射到三個層級：快速、中等和智慧。

模型配置

• GPT-5.6 Luna： 用於結構化提取和高容量工作。
• GPT-5.6 Terra 和 Sol： 支援聊天、Go 代理路徑，以及需要進階推理或工具使用的任務。
• GPT-6 Astra： 用於最嚴苛的情境圖查詢，例如跨數千文件的財務分析。

實際效率提升

• 資產管理： 交易篩選速度提升 21 倍，將整個一天的流程縮短至 15 分鐘。
• 金融服務： 審查時間從超過 100 小時降至不到 10 小時，每項任務節省 12,000 美元專家成本。
• 保險： 賠付處理錯誤率相比手動基線降低 13.5%。

OpenAI 模型性能與整合

V7 選擇 OpenAI 作為其預設提供者，因其在多步工具工作流程中表現優異，且具備快速擴展容量的能力。

準確率與效率指標

• 工具呼叫錯誤率： GPT-5.6 Sol 將工具呼叫錯誤率降至 0.2%，遠低於 GPT-5.5 的 2.7%。
• 成本降低： GPT-5.6 Luna 的每文件成本比 GPT-5.4 mini 降低 78%。
• 延遲： 含外部呼叫的關鍵工作流程現在最快可快 50%。
• API 優化： 將文件密集型工作負載移至 Responses API，使部分 PDF 密集型工作流程的 token 使用量減少約 5%，並提升快取可靠性。

GPT-6 Astra 評估

在使用數千文件的真實資料進行的測試中，V7 在「極難」難度層級上比較了 GPT-5.6 Sol 與 GPT-6 Astra：

• GPT-5.6 Sol： 78% 準確率。
• GPT-6 Astra： 89% 準確率。 兩款模型在簡單、中等和困難層級上的得分均接近 100%。

生態系整合與未來方向

V7 Go 透過 MCP 伺服器公開其情境圖查詢與資料導入功能，支援與 ChatGPT 和 Codex 的整合。此整合已將建立中等長度工作流程的時間從一小時縮短至約 20 分鐘。

未來發展重點在於使共享記憶具備主動性，讓工作流程能在情境圖中的事實變更或發現不一致時自動觸發，例如在基金報告被重新編製時自動更新分析。