模型再聪明，也不懂"你们公司最新的基金报告叫什么"。OpenAI 9 月 21 日客户案例 V7 给出一种解法——把企业散落的数据连成一张可溯源的"上下文图谱"，让 AI 智能体第一次像理解互联网那样理解一家企业。
把散落的数据连成"记忆"
V7 成立于 2018 年，由 Alberto Rizzoli 与 Simon Edwardsson 创立，总部位于欧洲 / 英国，聚焦金融、保险、房地产。其产品 V7 Go 是构建关键任务工作流的代理式（agentic）平台。核心技术是 Context Graph（上下文图谱）：把散落在 SharePoint、Google Drive、邮件、表格中的实体、关系、事实、指标抽取并连接，为智能体提供结构化、可溯源（cited evidence）的"记忆"，避免每次请求都重新检索；图谱信息不足时，仍可通过 RAG 搜索底层文档。
图片来源：Pexels
用哪些模型，跑出什么数
使用的 OpenAI 模型组合：GPT-5.6 Luna 做高容量文件信息提取、Context Graph 构建、降本；GPT-5.6 Terra 与 Sol 做复杂多步推理、工具调用、聊天与 Go Agent 路径；GPT-6 Astra 应对最严苛的跨数千份文档金融分析。成效数据（可引用）：最难图谱查询 GPT-6 Astra 达 89% 准确率（GPT-5.6 Sol 为 78%）；用 Luna 后每文档成本 降 78%、准确率 +11.6 pts；资产经理交易筛选 提速 21 倍（全天流程缩至 15 分钟）；某金融服务团队审查时间从 100+ 小时降至 10 小时内，单任务省 $12,000 专家成本；保险索赔错误率较人工基线降 13.5%；GPT-5.6 Sol 工具调用错误率从 2.7% 降至 0.2%。
图片来源：Pexels
从"被动工具"到"组织记忆中枢"
意义在于填补企业 AI 的"上下文鸿沟"，预示企业 AI 从"被动工具"演进为"组织记忆中枢"——当图谱事实变更（如基金报告重述），工作流能自动触发、标记不一致并提示人工复核。
给AI相关人士的启发
AI 数据工程师方向的核心正是"把散落数据变成可推理、可审计的知识"——Context Graph 的"抽取—连接—溯源—审计"链路，是大数据 + 知识工程落地的范本。选模型不是看谁最聪明，而是看哪一级任务该配哪一档算力与成本。
图片来源：Pexels
来源：OpenAI 官方《V7》