V7 给企业 Agent 做了个可追溯的知识底座

企业里的知识不是整齐的一本手册。它散在文件、表格、邮件和工具里，甚至同一个对象在不同系统里还有不同名字。V7 想解决的正是这层“组织上下文”：先把资料中的实体、关系和证据串起来，再让智能体执行任务。

据 OpenAI 对 V7 的案例介绍，V7 Go 会把这些关系放进 Context Graph，查询结果保留原始证据；图谱回答不了时，仍可回到文档检索。它还把抽取、推理和工具调用分给不同模型处理，避免每一步都用同一种昂贵模型。

这里有个值得留意的边界：文中的准确率、成本和速度数字是厂商场景下的测试结果，不能直接等同于任意企业都能复现。对我更有启发的是架构本身——智能体想真正参与工作，需要可更新、可追溯的上下文，而不只是更长的提示词。

关键要点

• 问题不是模型不会推理，而是它不知道哪份报表是最新的、同一个实体在不同系统里叫什么。
• V7 把文件中的实体、关系和证据组织进 Context Graph；图里没有答案时，再回到原文件检索。
• 文章展示了金融、保险等长流程的案例与厂商测试数据；这些效果数字来自 V7 的报告，仍要结合自己的数据验证。