V7 внедрила граф контекста для корпоративной памяти ИИ-агентов
V7 представила подход к корпоративной памяти ИИ-агентов в платформе V7 Go: она извлекает данные из миллионов файлов и формирует Context Graph. В тестах V7 на наиболее сложных запросах к графу GPT-6 Astra показала точность 89%, тогда как GPT-5.6 Sol набрала 78%.
Платформа рассчитана на процессы в финансах, страховании и недвижимости, где агенту недостаточно общего знания модели. Ему требуется понимать, какой отчёт фонда актуален, как одна и та же организация названа в нескольких системах и какие документы подтверждают вывод.
Как устроена память V7 Go
V7 Go подключается к хранилищам, включая SharePoint и Google Drive, и анализирует поступающие документы. Система выделяет сущности, отношения, факты, атрибуты и показатели, затем связывает их в графе. Для каждого факта сохраняется подтверждение с привязкой к исходному документу.
Если в графе не хватает сведений, V7 Go может искать по исходным документам с помощью RAG. Компания утверждает, что граф обходится на порядок дешевле и быстрее подходов с длинным контекстом. Для долгих взаимодействий недавние сообщения остаются в активном контексте модели, а более старые материалы извлекаются из графа по необходимости.
В тесте HERB, который проверяет поиск и связывание информации между корпоративными системами, retrieval-система V7 превзошла официальный базовый результат на 69%. Также компания сообщила о снижении галлюцинаций на запросах без ответа на 38%.
Модели, рабочие процессы и проверяемость
GPT-5.6 Luna в V7 Go используется для структурированного извлечения информации из большого массива документов. GPT-5.6 Terra и Sol применяются для рассуждений, вызова инструментов и многошаговых инструкций. Для наиболее требовательных запросов к Context Graph V7 начала использовать GPT-6 Astra, в том числе при финансовом анализе тысяч документов.
V7 заявляет, что агенты выполняют процессы из 50–100 шагов за минуты с точностью до 99,9%, сохраняя проверяемый журнал решений. В кейсах клиентов управляющие активами ускорили первичный отбор сделок в 21 раз: полный рабочий день сократился до 15 минут. Одна финансовая команда уменьшила время проверки с более чем 100 до менее чем 10 часов и оценила экономию экспертных затрат в 12 тыс. долларов на задачу.
В страховании V7 зафиксировала снижение ошибок обработки претензий на 13,5% по сравнению с ручным базовым уровнем после предоставления агентам истории прошлых претензий и действующих полисов. Отдельно компания сообщила, что GPT-5.6 Luna снизила стоимость на документ на 78% относительно GPT-5.4 mini.
Доступ через MCP
Context Graph доступен через MCP-сервер V7: клиенты могут запрашивать и загружать данные из ChatGPT и других совместимых инструментов, а также создавать рабочие процессы через MCP в Codex. По оценке компании, создание процесса средней длины сократилось примерно с часа до 20 минут.
Для бизнеса этот пример показывает, что надёжность агентных сценариев зависит не только от выбора модели. Критичны структурированный контекст, ссылки на первичные документы и журнал выполнения, позволяющий проверить каждый сделанный системой вывод.