V7旨在让AI代理掌握金融、保险和房地产公司的分散文件与数据中的业务背景。该公司由Rizzoli和Edwardsson于2018年创立，其V7 Go平台将数百万份文件中的信息汇集到名为Context Graph的结构中。该结构将实体、关系和来源证据相互连接，使代理无需重新搜索信息，而是可以直接进行查询。
V7 Go使用GPT-5.6 Luna进行结构化信息提取，使用GPT-5.6 Terra和Sol处理复杂指令、推理和工具调用。在最复杂的Context Graph查询中，GPT-6 Astra也正在接受测试。该公司表示，代理可以在几分钟内完成50–100步的工作流，并为每项决策保留可审计记录。该系统从SharePoint和Google Drive等存储库中提取公司、基金、人员、关系和财务指标，并将其与来源文件中的证据进行匹配；如果图谱中的信息不足，则会通过RAG继续搜索文件。
在V7的HERB测试中，仅基于访问的系统比官方基准模型取得了更好的结果，高出69%，并将无法回答的问题中的幻觉减少了38%。据报道，Context Graph对企业客户的影响如下：
- 资产管理机构将交易筛查速度提高了21x，把原本需要一整天的流程缩短至15分钟。
- 一家金融服务团队将审查时间从超过100小时缩短至不到10小时，并为每项任务节省了$12,000的专家成本。
- 保险团队向代理开放历史理赔和保单信息后，与人工基准相比，将理赔处理错误减少了13.5%。
V7 Go中的工作流将代码、向较小模型的移交、文件生成和外部集成统一进行管理。V7的测试涵盖引用准确性、文档提取、回答准确性、指令遵循、延迟和成本。与GPT-5.4 mini相比，GPT-5.6 Luna将每份文档的成本降低了78%。迁移到Responses API后，在一些以PDF为主的流程中，token使用量减少了约5%。
在最复杂的图谱查询中，GPT-5.6 Sol取得了78%的准确率，GPT-6 Astra则取得了89%的准确率；两种模型在简单、中等和困难级别上都达到了约100%。V7 Go对MCP的支持，使用户能够通过ChatGPT、Codex和兼容客户端使用Context Graph及工作流；创建中等长度工作流所需的时间已从约1小时缩短至20分钟。V7还在开发更主动的工作流，这些工作流会由图谱中的变化触发，并标记不一致之处。
为何重要
这一进展旨在推动金融、保险和房地产公司将AI代理从只能搜索文档的工具，转变为能够利用文档之间关系及其依据的系统。这样一来，尤其是在交易审查、财务评估和理赔处理等高度依赖文档的流程中，人类专家获取信息的方式可能会发生变化。该公司的客户案例显示，这种方式可能对处理时长、专家成本和错误率产生影响；不过，这些结果均基于V7自身的披露。GPT-6 Astra在最复杂查询中的表现也应在同一范围内，根据V7的测试条件进行评估。尚未明确的问题是，Context Graph方法能否在不同机构的文档结构和工作流中取得相同的准确性和成本结果。
术语：代理
人工智能代理并非只生成单一回答，而是会调用工具并执行多步骤任务，以实现目标。