V7：以 Context Graph 讓 AI Agent 擁有制度記憶

核心觀點

企業導入 Agent 的瓶頸，往往不在模型會不會推理，而是模型每次接到任務都得重新拼湊「這家公司怎麼運作」。V7 將散落在 SharePoint、Google Drive、試算表、郵件與資料室的內容整理為 Context Graph：以公司、基金、人物等實體為節點，連結事實、關係與可回溯的原始證據。Agent 可以直接查圖取得脈絡；圖中不足時，才回退搜尋原始文件（RAG）。

這種設計把長篇文件上下文轉成可更新、可查詢的制度記憶。重點不是讓 Agent 記住更多文字，而是讓每一項回答都能帶回來源證據，減少跨系統檢索造成的遺漏與幻覺。V7 在 HERB 企業系統資訊連結基準上表示，其純檢索系統較官方基準高 69%，且對無法回答問題的幻覺降低 38%；這是廠商自述的測試結果，應和獨立評測分開看待。^[raw/articles/openai-v7-institutional-memory-2026-09-21.md]

模型分工與技術亮點

V7 Go 將工作拆成不同能力層：GPT-5.6 Luna 負責大量文件的結構化擷取與圖譜寫入，GPT-5.6 Terra、Sol 處理多步推理與工具呼叫；最困難的跨數千份文件圖譜查詢則開始測試 GPT-6 Astra。這個分層與 GPT-5.6 正式發布：Sol、Terra、Luna 三層前沿模型重構效率頂點 的「模型能力對應任務成本」思路一致：高吞吐的抽取不必和高推理任務使用同一模型。

V7 指出 Luna 相較 GPT-5.4 mini，每份文件成本降低 78%、準確率提高 11.6 個百分點；Sol 的工具呼叫錯誤率則由 GPT-5.5 的 2.7% 降至 0.2%。此外，從 Chat Completions API 改用 Responses API，部分 PDF 工作流約少用 5% token、快取更穩。這些數字指向同一件事：企業 Agent 的單位經濟，取決於「資料預處理、模型路由、快取與可重用脈絡」的組合，而非只挑最強模型。^[raw/articles/openai-v7-institutional-memory-2026-09-21.md]

實務意義

金融與保險等高文件密度流程，最需要的是可稽核的結論，而不只是流暢摘要。V7 將每一步工作流保留執行軌跡與引文，應用在私募交易篩選、核保與理賠：官方案例稱資產管理交易篩選可快 21 倍、金融服務審查可從逾 100 小時降至不足 10 小時。這些是個案效益，導入時仍須以自家文件品質、例外案件率與人工覆核成本重做驗證。

V7 的下一步是讓事實變更主動觸發流程：例如基金報告被重述時，系統標記所有仍使用舊數字的分析。這使 Context Graph 不只是搜尋索引，而是可驅動工作流的事件層；與 AI 原生公司：把工作流程變成可複利的營運能力 所說的「把可驗證步驟沉澱為營運資產」相呼應。

對導入企業 AI 的啟示

  1. 先治理脈絡再擴張 Agent 數量：統一實體、來源權限與引用格式，才能讓工作流跨人、跨系統重用。
  2. 把證據鏈設為預設輸出：每個重要結論都要能定位原始段落，才能支援覆核、稽核與除錯。
  3. 用事件維護知識新鮮度：新文件與修訂資料不應只進檔案庫，還要更新既有實體與受影響的判斷。
  4. 以端到端指標選模型：同時量測引用正確性、工具失敗率、延遲、成本和例外處理，而非只看問答分數。

來源

反向連結

以下頁面引用了本頁：