企业里最贵的知识，往往躺在没人整理的共享盘里。V7 想做的，是让 Agent 把这些碎片变成可用的记忆。
发生了什么
据 OpenAI 介绍，V7 使用 GPT-5.6，将企业内部散落的文件转化为 Agent 可以调用的上下文，从而完成复杂的、带来源链接的工作。官方给出的核心表述是"institutional memory"（机构记忆）——不是让模型记住对话，而是让它记住组织。摘要中强调的两个关键词是"scattered company files"（分散的公司文件）与"source-linked"（来源可链接），前者是输入形态，后者是输出约束。
为什么重要
Agent 落地企业场景，长期卡在同一个地方：模型能力够用，但不知道"我们公司是怎么做的"。通用模型掌握的是公共知识，而企业真正需要的是私有语境——某个项目的决策历史、某份合同的特殊条款、某个客户的历史沟通。
过去的主流做法是 RAG：把文档切片、向量化、检索后塞进提示词。这条路能跑通，但问题也明显——检索到的是碎片，模型很难判断哪一片才是当前任务真正需要的，更难以把多个来源拼成一条完整的推理链。
V7 的思路是把"文件"升级为"上下文"，并强制输出可溯源。这背后其实是一个产品判断：企业愿意为 Agent 付费的前提，不是它答得多聪明，而是它答得可核查。没有来源链接，Agent 的输出在合规和审计面前一文不值。
影响与看点
对开发者而言，值得关注的是"来源可链接"这一约束会如何改变 Agent 的架构设计。当每个结论都必须挂上出处，检索层就不再是可选组件，而是核心链路；评估指标也会从"答对没有"转向"引对没有"。
对企业用户而言，真正的门槛不在模型，而在数据治理。散落的文件之所以散落，往往是因为没人愿意整理。V7 能否处理格式混乱、版本冲突、权限分级的真实企业文档，比它在演示里的表现更关键。
对行业而言，这是一个信号：Agent 的竞争正在从"模型多强"转向"上下文多准"。GPT-5.6 在这里更像一个执行引擎，真正的差异化来自文件解析、权限控制与溯源机制——这些恰恰是模型厂商之外，垂直玩家仍有机会的地方。
一个独立判断：机构记忆这件事，技术难度可能低于组织难度。让 Agent 记住公司怎么做事，前提是公司自己先想清楚怎么做事。
