Jak V7 zapewnia agentom AI pamięć instytucjonalną

Dzisiejsze modele potrafią rozumować podczas wykonywania złożonych zadań, ale nie rozumieją automatycznie ich biznesowego kontekstu. Który raport funduszu jest aktualny? Jak ta sama encja jest nazywana w trzech różnych systemach?

Ten kontekst znajduje się w dokumentach, repozytoriach danych, arkuszach kalkulacyjnych, wiadomościach e-mail i narzędziach wewnętrznych — jest rozproszony, nieuporządkowany i niewidoczny dla agentów. Dla zespołów z branży finansowej, ubezpieczeniowej i nieruchomości dokładność wyszukiwania w przepływach pracy jest warunkiem koniecznym.

Po wspólnym stworzeniu popularnej aplikacji zwiększającej dostępność za pomocą widzenia komputerowego Rizzoli i Edwardsson założyli w 2018 roku firmę V7⁠(otwiera nowe okno), aby pomagać przedsiębiorstwom uczyć systemy AI sposobu działania ich organizacji. V7 Go to platforma agentowa do tworzenia przepływów pracy o krytycznym znaczeniu i przekształcania ukrytego kontekstu w pamięć, którą agenty mogą przeszukiwać i wykorzystywać do działania.

V7 Go wykorzystuje GPT‑5.6 Luna do wyodrębniania informacji z milionów plików i porządkowania ich w Context Graph, który łączy encje, relacje i cytowane dowody, wspierając wyszukiwanie MCP oraz powtarzalne przepływy pracy obejmujące nawet setki kroków. W funkcji Workflows V7 Go wykorzystuje GPT‑5.6 Terra i Sol do rozumowania oraz używania narzędzi podczas wykonywania złożonych, wieloetapowych instrukcji, których realizacja zajmuje ludziom dziesiątki godzin. V7 zaczyna również korzystać z GPT‑6 Astra przy najbardziej wymagających zapytaniach do Context Graph, w tym przy analizie finansowej obejmującej tysiące dokumentów.

Według V7 dzięki współdziałaniu kontekstu, modeli i narzędzi agenty wykonują przepływy obejmujące 50–100 kroków w ciągu kilku minut, osiągając dokładność 99,9% i zachowując audytowalny zapis każdej podjętej decyzji.

Context Graph rozwiązuje konkretny problem. Przy każdym żądaniu agenty muszą ponownie ustalać kontekst, co prowadzi do dziesiątek wyszukiwań, pochłania czas i tokeny, a często nie pozwala znaleźć kluczowych informacji ukrytych w relacjach.

Gdy pojawiają się dane, V7 Go łączy się z repozytoriami takimi jak SharePoint i Dysk Google, skanuje je w poszukiwaniu encji, relacji, faktów, atrybutów i wskaźników, a następnie zasila graf, którego przeszukiwanie jest o rząd wielkości tańsze i szybsze niż w metodach opartych na długim kontekście.

Context Graph zapewnia agentom uporządkowany i aktualny zbiór danych, który mogą bezpośrednio przeszukiwać. Gdy pojawia się nowy plik, V7 Go identyfikuje firmy, fundusze, osoby lub dowolne encje z ontologii, następnie łączy każdy fakt z nowym albo istniejącym rekordem i zachowuje cytowane dowody wraz z odwołaniem do pierwotnego źródła. Jeśli graf nie zawiera wystarczających informacji, V7 Go może nadal przeszukiwać bazowe dokumenty za pomocą RAG.

V7 sprawdziło również, jak duże znaczenie ma struktura tego kontekstu. W HERB — teście wyszukiwania i łączenia informacji rozproszonych w systemach firmowych — system V7 oparty wyłącznie na wyszukiwaniu przewyższył oficjalny poziom bazowy o 69% i ograniczył halucynacje o 38% w przypadku zapytań, na które nie można udzielić odpowiedzi. V7 Go wykorzystuje ten powiązany ze źródłami kontekst, aby złożone przepływy pracy opierały się na informacjach należących do danej firmy.

V7 Go wykorzystuje ten uporządkowany kontekst w takich przepływach pracy jak wstępna ocena transakcji private equity i ocena ryzyka ubezpieczeniowego. W poniższej prezentacji przepływ pracy wyodrębnia informacje z dokumentu transakcyjnego zwanego poufnym memorandum informacyjnym (CIM), wprowadza kluczowe dane finansowe, warunki transakcji i informacje o kierownictwie oraz wskazuje źródła dla pól ryzyka, zanim V7 Go przygotuje notatkę ze wstępnej oceny.

Dzięki Context Graph model może korzystać z historii firmy bez konieczności uczenia się jej od nowa za każdym razem. W przypadku długo działających agentów V7 Go zachowuje ostatnie interakcje w aktywnym kontekście modelu, a starsze materiały przechowuje w grafie, skąd można je pobrać w razie potrzeby.

Ten wspólny kontekst już przyspiesza pracę z dużą liczbą dokumentów u klientów V7:

• Zarządzający aktywami mogą wstępnie oceniać transakcje 21 razy szybciej, skracając całodniowy proces do zaledwie 15 minut

• Zespół ds. usług finansowych skrócił czas weryfikacji z ponad 100 godzin do mniej niż 10, oszczędzając 12 000 USD na kosztach ekspertów przy każdym zadaniu

• Zespoły ubezpieczeniowe ograniczyły błędy w obsłudze roszczeń o 13,5% względem procesu ręcznego po udostępnieniu agentom wiedzy o wszystkich wcześniejszych roszczeniach i obowiązujących polisach

Złożone, wieloetapowe przepływy pracy wymagają, by model niezawodnie wykonywał obszerne instrukcje, korzystał z narzędzi, interpretował wyniki i przechodził przez długie sekwencje kroków. Pojedynczy błąd na wcześniejszym etapie może mieć kosztowne konsekwencje i podważyć zaufanie do systemów AI. V7 Go prowadzi modele przez długotrwałe zadania obejmujące deterministyczny kod, przekazywanie pracy mniejszym modelom, generowanie plików i integracje, zapewniając audytowalny zapis każdego uruchomienia.

W przepływach pracy generowanych przez AI V7 Go przypisuje każdy krok do poziomu szybkiego, średniego lub inteligentnego. GPT‑5.6 Luna obsługuje ustrukturyzowane wyodrębnianie danych i inne zadania o dużej skali, a GPT‑5.6 Terra lub Sol wspierają czat, ścieżkę Go Agent oraz kroki wymagające bardziej zaawansowanego rozumowania lub użycia narzędzi.

V7 testuje nowe modele przy użyciu stale aktualizowanego zestawu testów porównawczych, który obejmuje poprawność cytowań, jakość wyodrębniania danych z setek typów dokumentów, poprawność odpowiedzi, wykonywanie instrukcji, opóźnienia, koszty i rzeczywiste przepływy pracy w firmach. OpenAI przewyższa większość modeli pod względem zachowań najważniejszych dla V7. OpenAI zatwierdziło i wdrożyło również wymagane przez V7 zwiększenie przepustowości w ciągu kilku godzin, podczas gdy innym dostawcom, z których korzysta V7, zajęło to kilka tygodni.

W najnowszym otoczeniu operacyjnym V7 kluczowe przepływy pracy wykonujące kilka wywołań zewnętrznych kończą się teraz nawet o 50% szybciej. V7 odnotowało jeszcze jeden wzrost wydajności dzięki GPT‑5.6 Luna: koszt przetworzenia dokumentu był o 78% niższy niż w przypadku GPT‑5.4 mini. V7 przeniosło też intensywnie przetwarzające dokumenty zadania V7 Go z API zakończenia czatu do Responses API. W testach ta zmiana zmniejszyła zużycie tokenów o około 5% w niektórych przepływach intensywnie przetwarzających pliki PDF i poprawiła niezawodność buforowania.

V7 przetestowało również GPT‑6 Astra na swoich najtrudniejszych zapytaniach. GPT‑5.6 Sol osiągnął już niemal maksymalne wyniki w wielu dotychczasowych testach V7, dlatego firma przygotowała trudniejszy zestaw pytań opartych na zapytaniach grafowych oraz nieuporządkowanych, rzeczywistych danych z tysięcy dokumentów. Zbiór danych testowych obejmuje cztery poziomy trudności. V7 podaje, że na bardzo trudnym poziomie GPT‑5.6 Sol uzyskał wynik 78%, a GPT‑6 Astra osiągnął dokładność 89%. Oba modele uzyskały wyniki bliskie 100% na poziomie łatwym, średnim i trudnym.

V7 Go już udostępnia funkcje przeszukiwania i zasilania Context Graph przez swój serwer MCP, dzięki czemu klienci mogą korzystać z nich w ChatGPT i innych zgodnych klientach. Mogą również tworzyć przepływy pracy V7 Go za pośrednictwem MCP w Codex. W połączeniu z prostszym projektowaniem przepływów pracy skróciło to czas potrzebny na utworzenie przepływu średniej długości z około godziny do mniej więcej 20 minut.

Długoterminowym celem V7 jest zwiększenie proaktywności tej wspólnej pamięci. Zespół pracuje nad przepływami uruchamianymi po zmianie faktów w Context Graph, wskazującymi niespójności i informującymi użytkowników, które analizy wymagają ponownego sprawdzenia. Na przykład po korekcie raportu funduszu V7 Go mogłoby oznaczyć zadania, które nadal opierają się na starych danych.

„Naszym celem jest pomoc firmom w dostosowaniu narzędzi do ery AI dzięki przepływom pracy realizującym zadania o krytycznym znaczeniu i pamięci, która przewyższa ludzką” — mówi Rizzoli. „Firmami finansowymi, które osiągną rzeczywiste korzyści z AI, nie będą te z największą liczbą agentów. Będą to firmy dysponujące najlepszym kontekstem”.