Paano nagbibigay ang V7 ng memoryang pang-institusyon sa AI agent

Kayang pangatwiranan ng mga modelo ngayon ang mga komplikadong gawain, ngunit hindi nila awtomatikong nauunawaan ang konteksto ng negosyong pinagbabatayan ng mga iyon. Aling ulat ng pondo ang kasalukuyan? Ano ang tawag sa parehong entity sa tatlong system?

Nasa mga dokumento, data room, spreadsheet, email, at internal na tool ang kontekstong iyon: kalat-kalat, hindi napag-uugnay, at hindi nakikita ng mga agent. Para sa mga team sa pananalapi, insurance, at real estate, hindi maaaring ikompromiso ang katumpakan ng retrieval sa mga workflow.

Matapos magkasamang bumuo ng malawakang ginagamit na computer vision accessibility app, itinatag nina Rizzoli at Edwardsson ang V7⁠(magbubukas sa bagong window) noong 2018 upang tulungan ang mga kumpanya na ituro sa mga AI system kung paano gumagana ang kanilang negosyo. Ang V7 Go ay isang agentic platform para bumuo ng mga kritikal na workflow at ayusin ang nakabaong konteksto bilang memoryang maaaring i-query at magamit ng mga agent upang kumilos.

Ginagamit ng V7 Go ang GPT‑5.6 Luna upang kumuha ng impormasyon mula sa milyon-milyong file at ayusin ito sa Context Graph, na nag-uugnay ng mga entity, relasyon, at ebidensiyang may citation upang paganahin ang MCP search at mga nauulit na workflow na maaaring umabot sa daan-daang hakbang. Para sa Workflows, ginagamit ng V7 Go ang GPT‑5.6 Terra at Sol para sa pangangatwiran at paggamit ng tool sa mga komplikadong tagubiling maraming hakbang na inaabot ng dose-dosenang oras bago matapos ng mga tao. Nagsisimula na ring gamitin ng V7 ang GPT‑6 Astra sa pinakamabibigat na Context Graph query, kabilang ang pagsusuring pinansiyal sa libo-libong dokumento.

Sa pagtutulungan ng konteksto, mga modelo, at mga tool, sinabi ng V7 na natatapos ng mga agent sa loob ng ilang minuto ang mga workflow na may 50–100 hakbang, nang may 99.9% katumpakan at napapanatili ang natutunton na tala ng bawat desisyon.

Nilulutas ng Context Graph ang isang partikular na problema. Kailangang tuklasin muli ng mga agent ang konteksto sa bawat kahilingan, kaya nauuwi ito sa dose-dosenang paghahanap na umuubos ng oras at mga token, at kadalasa’y hindi nahahanap ang mahalagang impormasyong nakabaon sa mga ugnayan.

Kapag dumating ang data, kumokonekta ang V7 Go sa mga repository tulad ng SharePoint at Google Drive, ini-scan ang mga ito para sa mga entity, ugnayan, fact, attribute, at metric, at pinupunan ang isang graph na humigit-kumulang 10 beses na mas mura at mas mabilis tahakin kaysa sa mga pamamaraang gumagamit ng mahabang konteksto.

Binibigyan ng Context Graph ang mga agent ng nakaayos at napapanahong tala na maaari nilang direktang i-query. Kapag may bagong file, tinutukoy ng V7 Go ang mga kumpanya, pondo, tao, o anumang entity sa isang ontology, saka ikinokonekta ang bawat fact sa bago o dati nang tala at pinananatili ang binanggit na ebidensiya mula sa orihinal na pinagmulan. Kung walang sapat na impormasyon ang graph, maaari pa ring hanapin ng V7 Go ang mga kaugnay na dokumento gamit ang RAG.

Sinubok din ng V7 kung gaano kahalaga ang pagkakaayos ng kontekstong iyon. Sa HERB, isang benchmark para sa paghahanap at pag-uugnay ng impormasyong nakakalat sa mga enterprise system, nahigitan ng retrieval-only system ng V7 ang opisyal na baseline nang 69% at nabawasan nito nang 38% ang mga hallucination sa mga query na walang maisasagot. Ginagamit ng V7 Go ang kontekstong iyon na naka-link sa pinagmulan upang mapanatiling nakabatay sa sariling impormasyon ng bawat kumpanya ang mga komplikadong workflow.

Ginagamit ng V7 Go ang organisadong kontekstong iyon sa mga workflow tulad ng pagsusuri ng mga deal sa private equity at insurance underwriting. Sa demo sa ibaba, kumukuha ang isang workflow ng impormasyon mula sa dokumento ng deal na tinatawag na Confidential Information Memorandum (CIM), inilalagay ang mahahalagang pinansiyal na detalye, tuntunin ng deal, detalye ng pamunuan, at mga field ng panganib na may citation, bago gumawa ang V7 Go ng screening note.

Dahil sa Context Graph, nagagamit ng isang modelo ang kasaysayan ng kumpanya nang hindi na ito muling inaaral sa bawat pagkakataon. Para sa mga agent na matagal tumatakbo, pinananatili ng V7 Go ang mga kamakailang palitan sa aktibong konteksto ng modelo at iniimbak sa graph ang mas lumang materyal upang makuha kapag kailangan.

Pinabibilis na ng pinagsasaluhang kontekstong iyon ang gawaing maraming dokumento para sa mga customer ng V7:

• Nasusuri ng mga asset manager ang mga deal nang 21 beses na mas mabilis kaysa dati, kaya ang prosesong tumatagal nang buong araw ay natatapos sa 15 minuto lamang

• Nabawasan ng isang financial services team ang oras ng pagsusuri mula mahigit 100 oras tungo sa wala pang 10, na nakatipid ng $12,000 sa gastos sa mga eksperto bawat gawain

• Nabawasan ng mga insurance team nang 13.5% ang mga error sa pagproseso ng claim kumpara sa manual na baseline, matapos bigyan ang kanilang mga agent ng kaalaman sa kasaysayan ng lahat ng nakaraang claim at umiiral na policy

Nakadepende ang mga komplikado at maraming-hakbang na workflow sa maaasahang pagsunod ng modelo sa mahahabang tagubilin, pagpapatakbo ng mga tool, pagbibigay-kahulugan sa mga resulta, at pagtahak sa mahabang serye ng mga hakbang. Ang isang maagang error ay maaaring humantong sa magastos na mga epekto at pagkasira ng tiwala sa mga AI system. Ginagabayan ng V7 Go ang mga modelo sa mahahabang gawain na sumasaklaw sa deterministic na code, paglilipat sa mas maliliit na modelo, mga hakbang sa pagbuo ng file, at mga integration, na may natutunton na tala ng bawat pagtakbo.

Sa mga workflow na binuo ng AI, itinatalaga ng V7 Go ang bawat hakbang sa mabilis, katamtaman, at matalinong tier. Pinangangasiwaan ng GPT‑5.6 Luna ang structured extraction at iba pang gawaing maramihan, habang pinapagana ng GPT‑5.6 Terra o Sol ang chat, ang landas ng Go Agent, at ang mga hakbang na nangangailangan ng mas maraming pangangatwiran o paggamit ng tool.

Sinusubok ng V7 ang mga bagong modelo gamit ang patuloy na pinapanatiling benchmark suite na sumasaklaw sa katumpakan ng mga citation, kalidad ng extraction sa daan-daang uri ng dokumento, kawastuhan ng sagot, pagsunod sa tagubilin, latency, gastos, at mga aktuwal na enterprise workflow. Nahihigitan ng OpenAI ang karamihan sa mga modelo sa mga gawi na pinakamahalaga sa V7. Inaprubahan at ipinatupad din ng OpenAI sa loob ng ilang oras ang kinakailangang pagtaas ng kapasidad ng V7, kumpara sa ilang linggo para sa iba pang provider na ginagamit ng V7.

Sa pinakabagong harness ng V7, hanggang 50% nang mas mabilis matapos ang mahahalagang workflow na may ilang external call. Nasukat ng V7 ang isa pang pagtaas sa kahusayan gamit ang GPT‑5.6 Luna: 78% na mas mababang gastos bawat dokumento kaysa sa GPT‑5.4 mini. Inilipat din ng V7 ang mga workload ng V7 Go na maraming dokumento mula sa chat completions API patungo sa Responses API. Sa pagsubok nito, nabawasan ng pagbabago ang paggamit ng token nang humigit-kumulang 5% para sa ilang workflow na maraming PDF at pinahusay nito ang pagiging maaasahan ng caching.

Sinubok din ng V7 ang GPT‑6 Astra sa pinakamahihirap nitong query. Naabot na ng GPT‑5.6 Sol ang pinakamataas na antas sa marami sa mga dati nang benchmark ng V7, kaya gumawa ang kumpanya ng mas mahirap na hanay ng mga tanong sa graph query gamit ang mas magulong aktuwal na data mula sa libo-libong dokumento. Saklaw ng dataset ng pagsubok ang apat na antas ng kahirapan. Sa napakahirap na antas, iniulat ng V7 na nakakuha ang GPT‑5.6 Sol ng 78%, habang umabot sa 89% ang katumpakan ng GPT‑6 Astra. Parehong nakakuha ang dalawang modelo ng halos 100% sa madali, katamtaman, at mahirap na antas.

Maaari nang i-query at lagyan ng data ang Context Graph sa pamamagitan ng MCP server ng V7 Go, kaya magagamit ito ng mga customer mula sa ChatGPT at iba pang compatible na client. Maaari rin silang gumawa ng mga workflow ng V7 Go sa Codex sa pamamagitan ng MCP. Kasama ng mas simpleng pagdidisenyo ng workflow, nabawasan nito ang oras na kailangan upang gumawa ng katamtamang-habang workflow mula halos isang oras tungo sa humigit-kumulang 20 minuto.

Ang pangmatagalang layunin ng V7 ay gawing mas maagap ang pinagsasaluhang memoryang iyon. Nagsisikap ang team na makabuo ng mga workflow na nagsisimula kapag nagbago ang mga fact sa Context Graph, nagba-flag ng mga hindi pagkakatugma, at ipinapakita sa mga tao kung aling pagsusuri ang kailangang balikan. Halimbawa, maaaring ipapag-flag ng binagong ulat ng pondo sa V7 Go ang gawaing nakabatay pa rin sa mga lumang numero.

“Layunin naming tulungan ang mga enterprise na baguhin ang kanilang mga tool para sa panahon ng AI, sa pamamagitan ng mga workflow na lumulutas ng mga kritikal na gawain at memoryang nahihigitan tayong mga tao,” sabi ni Rizzoli. “Hindi ang mga kumpanyang pinansiyal na may pinakamaraming agent ang tunay na makikinabang sa AI. Sila ang mga may pinakamahusay na konteksto.”