现代模型能推理复杂任务，但不理解任务背后的业务上下文。哪份基金报告是当前的？同一实体在三个系统里如何命名？这些上下文散落在文档、数据室、电子表格、邮件和内部工具中，对 agent 不可见。对金融、保险、房地产团队，工作流中的检索准确性至关重要。Rizzoli 和 Edwardsson 在共同构建了一个广泛使用的计算机视觉无障碍应用后，于 2018 年创立 V7，帮助公司教会 AI 系统它们业务如何运作。V7 Go 是一个 agentic 平台，用于构建关键任务工作流，把埋藏的上下文组织成 agent 可查询和操作的记忆。

V7 Go 的核心是 Context Graph。它用 GPT-5.6 Luna 从数百万文件中提取信息，组织成连接实体、关系和引用证据的图结构，支持 MCP 搜索和可重复工作流。Workflows 部分使用 GPT-5.6 Terra 和 Sol 进行复杂多步指令的推理与工具使用。最难的 Context Graph 查询——比如跨数千文档的财务分析——开始使用 GPT-6 Astra。三者配合下，V7 称 agent 能在几分钟内完成 50-100 步工作流，达到 99.9% 准确率，并保留每个决策的可审计痕迹。

Context Graph 要解决的具体问题是：agent 每次请求都要重新发现上下文，导致数十次搜索，浪费时间和 token，而且容易漏掉潜藏在关系里的关键信息。数据到达时，V7 Go 连接 SharePoint、Google Drive 等仓库，扫描实体、关系、事实、属性、指标，填充一个遍历成本比长上下文方法低一个数量级的图。新文件到达时，V7 Go 识别本体中的公司、基金、人等实体，把每个事实连接到新记录或已有记录，并保存引用原始来源的证据。如果图里信息不足，V7 Go 仍可回退到 RAG 搜索底层文档。

结构化上下文的效果有数据支撑。在 HERB 基准（企业系统中查找和连接分散信息的基准）上，V7 的仅检索系统比官方基线高出 69%，不可回答查询的幻觉减少 38%。客户侧结果：资产管理人筛选交易提速 21倍——从一整天缩短到 15 分钟；一个金融服务团队审查时间从 100 多小时降至 10 小时以下，每个任务节省 1.2 万美元专家成本；保险团队在 agent 获得所有历史理赔和现有保单知识后，理赔处理错误比人工基线减少 13.5%。

模型选型和性能测试也有具体数据。V7 Go 在 AI 生成的工作流中把每步分为 fast、medium、smart 三层：GPT-5.6 Luna 处理结构化提取和高量工作，GPT-5.6 Terra 或 Sol 驱动聊天、Go Agent 路径及需更多推理或工具使用的步骤。V7 持续维护一套覆盖引用准确性、跨数百种文档类型的提取质量、答案正确性、指令跟随、延迟、成本和真实企业工作流的基准。CTO Simon Edwardsson 表示，在 Context Graph 基准中，GPT-5.6 Sol 把工具调用错误率从 GPT-5.5 的 2.7% 降到 0.2%。最新 harness 中，几个含外部调用的关键工作流完成速度快了 50%；GPT-5.6 Luna 每文档成本比 GPT-5.4 mini 低 78%。从 Chat Completions API 迁移到 Responses API 后，某些 PDF 繁重工作流的 token 使用减少约 5%，缓存可靠性改善。在更难的图查询测试中，非常难层级上 GPT-5.6 Sol 准确率 78%，GPT-6 Astra 达到 89%；简单、中等、困难层级两者都接近 100%。

V7 Go 已通过 MCP 服务器暴露 Context Graph 的查询和摄取能力，客户可从 ChatGPT 和其他兼容客户端使用，也可在 Codex 中通过 MCP 创建 V7 Go 工作流。加上更简单的工作流设计，创建中等长度工作流的时间从约一小时降到约 20 分钟。长期方向是让共享记忆更主动：当图里的事实变化时启动工作流，标记不一致，提醒人们哪些分析需要重看。例如一份基金报告重述后，V7 Go 可自动标记仍依赖旧数字的工作。