V7用OpenAI模型搭建企业上下文图谱

IT时代网9月23日消息，OpenAI公布客户案例，企业AI平台V7借助OpenAI模型把散落在文件、数据室、表格、邮件和内部工具中的业务上下文整理成智能体可直接查询和执行的记忆，在最难的图查询测试中，GPT-6 Astra取得了89%的准确率。

今天的模型已经能对复杂任务做推理，但它们并不会自动理解任务背后的业务语境：哪份基金报告才是当前版本，同一个实体在三个系统里分别叫什么名字。这类信息长期散落在文档与内部系统中，未被解析，对智能体而言等同于不可见。

V7由Rizzoli与Edwardsson于2018年创办，两人此前曾合作开发过一款被广泛使用的计算机视觉无障碍应用。其产品V7 Go是一个智能体平台，用于搭建关键任务工作流，并把埋藏的业务上下文组织成可供智能体查询与操作的记忆。

在具体实现上，V7 Go使用GPT-5.6 Luna从数百万份文件中抽取信息，再组织进上下文图谱。该图谱把实体、关系与被引用的证据连接在一起，支撑MCP搜索和可复现的工作流，后者可以跨越数百个步骤。工作流环节则由GPT-5.6 Terra与Sol承担推理与工具调用，处理人类需要数十小时才能完成的复杂多步指令。

对要求最高的上下文图谱查询，包括跨数千份文档的财务分析，V7 Go开始采用GPT-6 Astra。该公司称，在上下文、模型与工具协同之下，智能体能在数分钟内完成50至100步的工作流，准确率达到99.9%，同时保留每一步决策的可审计记录。

上下文图谱要解决的是一个具体问题：智能体每次收到请求都要重新发现上下文，意味着数十次搜索、时间和token的持续消耗，且常会漏掉藏在关系里的关键信息。数据接入后，V7 Go会连接SharePoint、Google Drive等仓库，扫描其中的实体、关系、事实、属性与指标，再填充进图谱。相比长上下文方案，这种结构的遍历成本与速度都低一个数量级。

编辑：林一舟