一句话看懂：2026 年 9 月 21 日，OpenAI 发布 V7 案例：这家欧洲金融科技初创公司用 GPT-5.6、GPT-6 Astra 等模型，把企业散落的文件整理成 Agent 可直接查询的「机构记忆」，让 AI 在金融、保险等场景中跑通上百步工作流。
事件核心：发生了什么
V7 成立于 2018 年，两位创始人此前做过一款计算机视觉无障碍应用。其核心产品 V7 Go 是一个 Agent 平台，思路是把企业文件转化为 Agent 的上下文：数据接入 SharePoint、Google Drive 等仓库后，系统抽取实体、关系、事实和指标，填入一张「Context Graph」，并保留原始出处引用。图里查不到的内容，再回退到 RAG 检索原文。
分工上，GPT-5.6 Luna 负责从海量文件中抽取信息，GPT-5.6 Terra 和 Sol 负责多步推理与工具调用，GPT-6 Astra 被用于最难的图查询，在 V7 最苛刻的图查询测试中达到 89% 准确率。V7 称，50 到 100 步的工作流可在几分钟内完成，准确率 99.9%，且每步决策可审计。落地数据包括：资管筛项目从一天压缩到 15 分钟，某金融团队把单任务审核从 100 多小时降到 10 小时以内、省下 1.2 万美元专家成本，保险理赔错误率较人工基线下降 13.5%。
为什么重要
当下大模型擅长推理，却不自动理解业务背景——哪份基金报告是最新的、同一实体在三个系统里叫什么名字，这些信息散落在文件柜、表格和邮件里。Agent 若每次都重新检索，既烧 token 又容易漏掉藏在关系里的关键信息。Context Graph 的价值在于把「上下文」做成可复用、可追溯的基础设施，而不是每次请求都重学一遍业务。对金融、保险、地产这类检索准确性不可妥协的行业，这决定了 Agent 能否进入真正关键的工作流。同时，OpenAI 用一系列模型代号对应抽取、推理、高难查询不同环节，也透露出闭源大模型正通过分层能力切入企业 Agent 市场。
对用户/开发者/创作者的影响
对开发者而言，信号是：单纯堆长上下文未必是唯一路线，结构化记忆加引用溯源可能是更省成本的工程选择；V7 也提到在 HERB 企业检索基准上，纯检索系统比官方基线高出 69%，无法回答的查询幻觉降低 38%。企业采购方应关注 Graph 与现有文件系统的连接成本、审计链路是否完整。创作者和普通用户短期内未必直接接触此类产品，但「整理自己的资料让 AI 记住」这一交互范式可能会逐步下放到消费级工具。算力层面，把检索从长上下文转向图遍历，长期看有助于降低推理开销。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Context Graph 在跨系统实体对齐上的实际表现，尤其是多语言、多命名规则的企业环境；二是这类方案是否会被 OpenAI 收进官方 Agent 产品线，从而影响 V7 等第三方平台的议价空间；三是 99.9% 准确率与 89% 高难查询准确率之间的口径差异，是否有第三方复现。目前公开信息显示，相关能力仍以 V7 Go 平台形式提供，尚无独立 API 或开放权重计划。
来源：OpenAI News
