Как V7 наделяет ИИ-агентов институциональной памятью

Современные модели способны рассуждать при выполнении сложных задач, но не понимают автоматически бизнес-контекст, лежащий в их основе. Какой отчёт фонда актуален? Как одна и та же сущность называется в трёх разных системах?

Этот контекст хранится в документах, виртуальных комнатах данных, таблицах, электронных письмах и внутренних инструментах. Он разрознен, неструктурирован и недоступен агентам. Для команд из сфер финансов, страхования и недвижимости точность поиска в рабочих процессах — обязательное требование.

Совместно создав популярное приложение для повышения доступности на основе компьютерного зрения, Риццоли и Эдвардссон в 2018 году основали V7⁠(открывается в новом окне), чтобы помочь компаниям обучать системы ИИ особенностям своего бизнеса. V7 Go — агентная платформа для создания критически важных процессов, которая преобразует скрытый контекст в упорядоченную память, доступную агентам для запросов и действий.

V7 Go использует GPT‑5.6 Luna, чтобы извлекать сведения из миллионов файлов и упорядочивать их в графе контекста, который связывает сущности, отношения и подтверждения со ссылками на источники, обеспечивая MCP-поиск и воспроизводимые процессы из сотен этапов. В рабочих процессах V7 Go использует GPT‑5.6 Terra и Sol для рассуждений и применения инструментов при выполнении сложных многоэтапных инструкций, на которые у людей уходят десятки часов. V7 также начинает применять GPT‑6 Astra для самых сложных запросов к графу контекста, включая финансовый анализ тысяч документов.

По данным V7, совместная работа контекста, моделей и инструментов позволяет агентам за считаные минуты выполнять процессы из 50–100 этапов с точностью 99,9%, сохраняя доступную для аудита историю каждого принятого решения.

Граф контекста решает конкретную проблему. При каждом запросе агентам приходится заново собирать контекст, выполняя десятки поисковых запросов, которые требуют времени и токенов. При этом они нередко упускают важные сведения, скрытые во взаимосвязях.

Когда поступают данные, V7 Go подключается к таким хранилищам, как SharePoint и Google Drive, сканирует их в поисках сущностей, связей, фактов, атрибутов и метрик и наполняет граф, поиск по которому на порядок быстрее и дешевле, чем при использовании подходов с длинным контекстом.

Граф контекста предоставляет агентам структурированную и актуальную базу, к которой они могут обращаться напрямую. При поступлении нового файла V7 Go выявляет компании, фонды, людей и любые другие сущности из онтологии, связывает каждый факт с новой или существующей записью и сохраняет подтверждающие данные со ссылкой на исходный источник. Если в графе недостаточно информации, V7 Go всё равно может выполнить поиск по исходным документам с помощью RAG.

V7 также проверила, насколько важна структура этого контекста. В тесте HERB, оценивающем поиск и связывание информации из разных корпоративных систем, система V7, основанная только на поиске, превзошла официальный базовый показатель на 69% и на 38% сократила число галлюцинаций в ответах на запросы, для которых недостаточно доступной информации. V7 Go использует этот связанный с источниками контекст, чтобы сложные процессы опирались на собственную информацию каждой компании.

V7 Go применяет этот упорядоченный контекст в таких процессах, как предварительная оценка сделок прямых инвестиций и страховой андеррайтинг. В демонстрации ниже рабочий процесс извлекает сведения из документа о сделке — конфиденциального информационного меморандума (CIM), обрабатывает основные финансовые показатели, условия сделки и сведения о руководстве, указывает источники для полей рисков, после чего V7 Go формирует заключение по результатам проверки.

Благодаря графу контекста модель может работать с историей компании, не изучая её заново при каждом запросе. Для агентов, работающих длительное время, V7 Go сохраняет недавние сообщения в активном контексте модели, а более старые материалы — в графе, откуда их можно извлечь при необходимости.

Этот общий контекст уже ускоряет работу клиентов V7 с большим объёмом документов:

• Управляющие активами могут оценивать сделки в 21 раз быстрее, сокращая процесс, занимавший целый день, до 15 минут

• Команда финансовой компании сократила время проверки с более чем 100 часов до менее чем 10 и экономит 12 000 долларов США на услугах экспертов при выполнении каждой задачи

• Страховые команды сократили число ошибок при обработке страховых случаев на 13,5% по сравнению с ручной обработкой, предоставив агентам сведения обо всех предыдущих страховых случаях и действующих полисах

Надёжность сложных многоэтапных процессов зависит от того, насколько точно модель следует длинным инструкциям, применяет инструменты, интерпретирует результаты и выполняет длинную последовательность действий. Одна ошибка на раннем этапе может дорого обойтись и подорвать доверие к системам ИИ. V7 Go проводит модели через длительные задачи, включающие детерминированный код, передачу задач меньшим моделям, создание файлов и интеграции, сохраняя доступную для аудита историю каждого запуска.

В рабочих процессах, созданных ИИ, V7 Go относит каждый этап к быстрому, среднему или интеллектуальному уровню. GPT‑5.6 Luna выполняет структурированное извлечение и другие массовые задачи, а GPT‑5.6 Terra и Sol обеспечивают работу чата, сценария Go Agent и этапов, требующих более глубоких рассуждений или применения инструментов.

V7 тестирует новые модели с помощью постоянно обновляемого набора эталонных тестов, который оценивает точность цитирования, качество извлечения данных из сотен типов документов, правильность ответов, соблюдение инструкций, задержку, стоимость и реальные корпоративные процессы. OpenAI превосходит большинство моделей по характеристикам, наиболее важным для V7. Кроме того, OpenAI согласовала и предоставила V7 необходимые дополнительные вычислительные ресурсы всего за несколько часов, тогда как другим поставщикам V7 потребовались недели.

В новейшей обвязке V7 ключевые процессы с несколькими внешними вызовами теперь выполняются до 50% быстрее. V7 зафиксировала ещё один прирост эффективности благодаря GPT‑5.6 Luna: стоимость обработки одного документа оказалась на 78% ниже, чем с GPT‑5.4 mini. V7 также перевела ресурсоёмкие процессы V7 Go для работы с документами с API завершения чата на Responses API. По результатам тестирования это изменение примерно на 5% сократило расход токенов в некоторых процессах с большим количеством PDF-файлов и повысило надёжность кэширования.

V7 также протестировала GPT‑6 Astra на самых сложных запросах. GPT‑5.6 Sol уже достигла предела во многих существующих тестах V7, поэтому компания создала более сложный набор вопросов к графу, используя менее упорядоченные реальные данные из тысяч документов. Набор данных для тестирования охватывает четыре уровня сложности. По данным V7, на самом сложном уровне точность GPT‑5.6 Sol составила 78%, а GPT‑6 Astra — 89%. На лёгком, среднем и сложном уровнях обе модели набрали почти 100%.

V7 Go уже предоставляет возможности загрузки данных и выполнения запросов к графу контекста через свой сервер MCP, поэтому клиенты могут пользоваться ими в ChatGPT и других совместимых клиентах. Через MCP они также могут создавать рабочие процессы V7 Go в Codex. В сочетании с упрощённым проектированием процессов это сократило время создания процесса средней длины примерно с часа до 20 минут.

Долгосрочная цель V7 — сделать эту общую память более проактивной. Команда стремится создавать процессы, которые запускаются при изменении фактов в графе контекста, выявляют противоречия и показывают, какие аналитические материалы необходимо пересмотреть. Например, после публикации исправленного отчёта фонда V7 Go может отметить материалы, в которых всё ещё используются прежние показатели.

«Наша цель — помочь компаниям перестроиться для эпохи ИИ благодаря процессам, решающим критически важные задачи, и памяти, превосходящей человеческую, — говорит Риццоли. — Реальную пользу от ИИ получат не те финансовые компании, у которых больше всего агентов. А те, у которых лучший контекст».