案例：给企业 AI Agents 装上“长期记忆”和“企业上下文”：V7 如何用 Context Graph 跑通复杂商业工作流

OpenAI 发布的案例研究展示了欧洲初创企业 V7 打造的企业级智能体平台 V7 Go。它要解决的不是“怎样再造一个更聪明的聊天机器人”，而是一个更具体的企业问题：怎样让 AI 知道公司内部发生过什么、不同文件里的实体怎样关联，以及一项结论究竟来自哪份材料。

V7 的答案可以概括成一条完整链路：先把散落的企业文件整理成带来源引用的 Context Graph，再让不同能力与成本档位的模型分工执行，最后把检索、推理、工具调用和审计串进同一条工作流。

• 企业智能体的主要障碍常常不是不会推理，而是不知道哪份文件最新、不同系统里的名称是否指向同一实体，以及一项结论应追溯到哪份证据。
• V7 预先抽取实体、关系、事实和引用：常见关系走 Context Graph，图谱信息不足时回到底层文档做 RAG；近期对话留在模型上下文，较早材料进入图谱按需取回。
• 高通量抽取、复杂工具调用和极难图谱查询分别交给 Luna、Terra/Sol 与 Astra。V7 报告成本、错误率和复杂查询准确率均有改善。
• 这套架构最适合跨文档关系密集、实体定义相对稳定、且每项结论必须回到原始证据的业务。普通问答库若用基础 RAG 已能解决，建图谱反而会增加维护成本。

1. 核心痛点：AI 容易“失忆”，也不懂公司的内情

在严肃的企业业务中，一位合格的资深分析师从来不会只看手头的一份 PDF。他知道某家被投企业去年剥离过核心子公司，知道三份看似矛盾的估值表中哪一份才是审计后的定稿，也知道不同业务系统里名称各异的部门其实由同一个人负责。这些维系业务运转的历史、关系和判断依据，就是企业的“制度记忆”。

通用大模型不会天然拥有这些记忆。企业报告、数据室、财务表格、邮件和内部系统散落各处；同一家机构可能有多种名称，同一个指标也可能存在多个版本。对金融、保险、房地产等行业而言，工作流中的检索准确性是不可妥协的刚性要求；智能体即使会推理，也无法自动知道哪些材料属于同一条业务链、哪个数字更新，以及一项判断应该引用什么证据。

如果没有结构化记忆，智能体在处理每个新任务时，都要重新搜索、阅读并拼接相关文件。这种每次请求都要重新发现上下文的方式会增加调用时间和 token 消耗，也可能漏掉藏在跨文件关系里的关键事实。