企业官网建设流程全解析

ERP Migration - Status Notes (March 2026)

【免费下载链接】gpt-researcherAn autonomous agent that conducts deep research on any data using any LLM providers项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-researcher

Migration from legacy system to the new ERP is in phase 2 of 3. Purchasing and inventory modules are live; revenue recognition cutover is planned for the summer close. Known issue: intercompany eliminations for the Nagoya entity still require a manual journal each month.

Finance headcount during migration: +2 temporary contractors through September 2026.

它是一份「迁移状态快照」，包含四类可被研究型 Agent 提取的事实： | 信息类别 | 内容 | 时间/状态锚点 | |---|---|---| | 迁移进度 | 从遗留系统迁往新 ERP，处于 3 个阶段中的第 2 阶段（phase 2 of 3） | 2026 年 3 月 | | 已上线模块 | 采购（Purchasing）与库存（Inventory）已上线 | 当前状态 | | 待办计划 | 收入确认（revenue recognition）切换安排在夏季结账（summer close） | 未来计划 | | 已知问题 | Nagoya 实体的公司间抵销（intercompany eliminations）仍需每月手工做分录 | 持续性问题 | | 人力资源 | 迁移期间财务部门增加 2 名临时合同工，持续到 2026 年 9 月 | 有明确截止日期 | 这类文档在真实企业中无处不在：它不是正式报告，而是给财务团队、审计或管理层看的「进度备忘」，语气口语化、没有结构化的字段，事实散落在自然语言里。这正是测试研究型 Agent「在噪声中提取事实」能力的理想素材——因为它没有任何字段标记或元数据可供取巧。 ## 二、文档在仓库中的真实角色：基准语料里的「干扰项」 要理解这份纪要在仓库中的位置，先要看清它的归属：`deep_agents/benchmark_data/` 是一个为混合研究基准构造的「企业内部文档语料库」，由 [build_corpus.py](https://link.gitcode.com/i/88858862d63f956ec59633afae2381af) 生成。该脚本的模块注释（L1-L19）明确说明了语料的设计哲学： > "Takes the four ground-truth documents in `internal_docs_src/` and produces `internal_docs/`, a corpus shaped like a real company document share." 语料被刻意塑造成「真实的公司文档共享盘」的形态，三类文件各司其职： 1. **事实文档（fact documents）**：来自 [internal_docs_src/](https://link.gitcode.com/i/7415ea2302a0a90e820772d5cfb04019) 的四个真值源，被转换成真实企业实际使用的格式——董事会备忘录和运营报告转为 PDF、产品简介转为 DOCX、公司概览保留 Markdown（build_corpus.py L351-L355）。 2. **陈旧近似文档（stale near-miss）**：2024/2025 年的旧版运营报告、被废弃的产品 one-pager，其中包含同一指标的历史版本（如 "Q1 2024 revenue: $7.9M"），回答错误年份的事实会被判分器视为错误（L62-L122）。 3. **干扰文档（distractors）**：HR 政策、IT runbook、会议纪要、营销文案等，**全部不含任何基准检查点事实**。本篇文章的主角——ERP 迁移纪要——正属于这一类，定义在 `DISTRACTORS` 字典的第 234-243 行。 作为干扰项，这份 ERP 纪要承担着双重考验：其一，它要让 Agent 在 27 个文件中分辨「哪些文件有答案、哪些没有」；其二，它与 `it/access_review_2026.md`（"412 accounts reviewed across ERP..."）、`it/incident_process.md`（ERP 属于 SEV-2 内部系统）等文件共享 "ERP" 关键词，形成了主题相关的语义陷阱——只靠关键词匹配的检索很容易被误导，而不会把它当作无事实文件跳过。 ## 三、从文档反推公司画像：语料内部的交叉印证 虽然这份纪要是干扰项，但它承载的细节与语料库其他文档高度自洽，构成了一个可信的虚构公司画像（Veltrix Dynamics，一家虚构的 AMR 仓库机器人公司，因此公网不存在任何可泄漏的事实）。这正是基准设计的关键： - **Nagoya（名古屋）实体**：纪要提到 "intercompany eliminations for the Nagoya entity"。名古屋作为公司三大办公地之一（Rotterdam、Atlanta、Nagoya）在 [hr/remote_work_policy.md](https://link.gitcode.com/i/d3f9495afbab03130123a03376c6372a) 中出现；[eng/oncall_rotation.md](https://link.gitcode.com/i/52c3a7bbeef3d0c65dcf5892163c3f54) 中 Nagoya 承担 follow-the-sun 轮值的一部分；[marketing/event_calendar_2026.md](https://link.gitcode.com/i/a90dac4ee1826903abedb46d16e2358f) 提到 CeMAT Asia（11 月）是 "first Nagoya-led presence"。一家有日本实体的欧洲公司，在 ERP 切换时遇到跨实体抵销问题，逻辑上完全成立。 - **财务团队状态**：`+2 temporary contractors through September 2026` 与 [it/access_review_2026.md](https://link.gitcode.com/i/a6770ce077dfe6273a598312c0372ff9) 中 "23 stale accounts disabled (mostly contractors from the 2025 warehouse commissioning wave)" 遥相呼应——承包商在公司内是常态，也解释了为什么权限审查看得到"承包商账户"这一类别。 - **ERP 作为关键系统**：[it/incident_process.md](https://link.gitcode.com/i/f846f9b28f710742f5b231c1a652d7de) 将 ERP 归为 SEV-2 级别（"internal systems down (ERP, CI, telemetry lag > 30 min)"），说明迁移中的 ERP 一旦出问题会直接影响业务运行等级，与纪要中"采购与库存模块已上线"的阶段性状态吻合。 这种交叉一致性不是偶然，而是语料构造的核心方法论：**干扰文档必须和事实文档生活在同一个可信的世界里**。这样 Agent 无法通过"内容风格可疑"来排除干扰项，只能靠真正的阅读理解与证据链推理。 ## 四、这份纪要为什么能检验深度研究 Agent：混合基准三臂对比 这份文档存在的最终目的是服务于 `deep_agents/hybrid_benchmark.py`——一个对比三类研究配置的基准实验，其完整背景记录在 [deep_agents/BENCHMARK.md](https://link.gitcode.com/i/d473a4f55e4357ffce41dd83cf646449) 的 "Breadth beyond the web: private documents" 一节。 ### 4.1 实验设计 基准任务是一份针对 Veltrix Dynamics 的尽职调查简报（due-diligence brief），要求同时覆盖**仅存在于私有语料中的内部事实**（融资、定价、车队指标、路线图）与**需联网核实的市场事实**（竞争对手融资/IPO 状态）。三臂配置在 [hybrid_benchmark.py](https://link.gitcode.com/i/988746289650d1a7b53c07d22f6addf4) L184-L206 中依次运行： | 配置 | 研究工具 | 能否看到私有语料 | |---|---|---| | `baseline` | 原始 Tavily `internet_search` | 完全看不到 | | `baseline+files` | 联网搜索 + deepagents 自带 `ls`/`read_file` 文件工具挂载在语料上 | 可以，但靠 Agent 猜文件 | | `gptr` | gpt-researcher `hybrid` 模式 | 通过 `DOC_PATH` 全量读取 | 关键差异在于 `gptr` 臂：脚本在 L53-L54 将语料目录注入环境变量 `os.environ["DOC_PATH"] = str(DOCS_DIR)`，随后通过 [tools.py](https://link.gitcode.com/i/71f0932b8d520ed1f7cae9040b9a7c06) 的 `build_research_tools` 把 report_source 绑定为 `"hybrid"`（L20-L21），构造出 `quick_search` 与 `deep_research` 两个工具。其中 `deep_research`（L47-L76）走完整流水线： ```python researcher = GPTResearcher( query=query, report_type=report_type, report_source=report_source, # "hybrid": 本地文档 + 联网并行 parent_query=parent_query, verbose=False, ) await researcher.conduct_research() report = await researcher.write_report()

也就是说，Agent 并不需要自己去"猜测该读哪个文件"——gpt-researcher 的文档管线会完成格式感知解析（PDF/DOCX/Markdown）与基于向量嵌入的整库检索，把与查询相关的片段连同引文一起返回给上层 Agent。

4.2 内部事实覆盖率结果（取自 BENCHMARK.md 记录）

报告同时指出：纯联网 Agent 会虚构或遗漏全部内部事实；DIY 文件工具方案在只有 4 个事实文档的"简单语料"上可以做到与 gptr 持平，但在 27 文件的真实形态语料上表现不稳定——它必须在步数预算内猜测读哪 26 个文件，纯文本读取无法解析 DOCX（产品简介事实每次运行都取不到或取到旧值），有时还会轻信归档的旧版本数字。而 gpt-researcher 的文档管线（格式感知解析 + 全库嵌入检索）在同一轮联网研究中恢复了最高 94% 的内部事实。hybrid_2026-07-05_*.json等运行产物保存在 benchmark_results/，可用python deep_agents/hybrid_benchmark.py复现。

五、从这份纪要看企业私有文档检索的三条工程启示

结合这份 ERP 迁移纪要，可以提炼出设计企业文档型研究 Agent 时的三个可验证结论：

1. 事实提取难度与文档"非结构化程度"成正比。这份纪要没有表格、没有字段名，事实藏在 "phase 2 of 3"、"summer close"、"manual journal each month" 这样的半固定表述中。关键词检索能命中 "ERP" 与 "migration"，但只有语义理解才能把"阶段 2/3、收入确认未切换、Nagoya 需手工抵销"组织成可引用的结构。这正是嵌入检索+整库召回相对裸文件工具的优势所在。

2. 时间戳与版本意识是内部事实判分的关键。语料刻意放置了 2024/2025 的旧版报告作为"过时近似值"，配合纪要中明确的时间锚点（2026 年 3 月、9 月截止），迫使 Agent 在"哪一年的事实"上做判断。BENCHMARK.md 明确写道 "answering with the wrong vintage of a fact is penalized by the grader"——这解释了为什么归档目录（ops/archive/、product/archive/）被单独构造。

3. 主题相关干扰项必须靠证据链排除。多份文档共享 "ERP"、"Nagoya"、"contractor" 等关键词，其中只有部分包含基准检查点事实。能被可靠排除干扰的 Agent，靠的不是关键词，而是"这份文档回答了任务问题中的哪个子问题"的推理能力。0%（纯搜索）→ 62.5%（DIY 文件工具）→ 87.5%（hybrid 模式）的递进，量化地展示了从"看不到"到"看到但不会找"再到"系统化检索"的能力跃迁。

六、如何亲手验证：复现混合基准

如果你想在自己的文档集上复现这套验证（包括这份 ERP 纪要所在的语料），步骤记录在 deep_agents/BENCHMARK.md 与 hybrid_benchmark.py L34-L36：

# 1. 生成语料（27 个文件，确定性构造，可重复运行） python deep_agents/benchmark_data/build_corpus.py # 2. 运行三臂对比（需要 OPENAI_API_KEY 与 TAVILY_API_KEY） python deep_agents/hybrid_benchmark.py --model openai:gpt-5.4

【免费下载链接】gpt-researcherAn autonomous agent that conducts deep research on any data using any LLM providers项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-researcher