許多專業人士的工作涉及追蹤跨收件匣、會議、訊息和應用程式的對話與承諾。如果缺乏可靠的上下文，這些承諾可能會被遺漏，進而損害專案和人際關係。Fyxer 打造了一款 AI 執行助理，能夠在工作跨工具移動時追蹤這些脈絡。它結合了最新的 OpenAI 模型與超過 50 萬小時的執行助理工作流程數據，將工作分配給數十個專業模型，並透過真實使用者回饋不斷改進。

電子郵件是 Fyxer 實際運作的最佳範例。兩個人收到同一封電子郵件，可能需要根據彼此的關係、過往事件以及各自的目標，給出完全不同的回覆。這使得看似簡單的任務，對 AI 來說卻異常困難。

Fyxer 共同創辦人 Archie Hollingsworth 解釋說：「這就是所謂的莫拉維克悖論。人類覺得容易的事情，電腦卻很難做到；而電腦覺得容易的事情，人類卻很難做到。」Fyxer 透過學習每個使用者的工作方式來處理這種複雜性，使其能夠像一位已經了解重要事項的助理一樣回應。

領先的 OpenAI 模型支援了 Fyxer 體驗的關鍵部分，從理解電子郵件、尋找正確的上下文到生成草稿。Fyxer 選擇 OpenAI 是因為其模型在 Fyxer 的內部基準測試中表現最佳，為語氣和意圖等主觀任務提供了強大的微調能力，並透過白板會議和技術協作提供了實質的工程支援。

Fyxer 共同創辦人 Archie Hollingsworth 表示：「我們選擇 OpenAI 是因為他們擁有最好的模型，而且他們給予我們真正的接觸機會和緊密的合作關係。我可以在 Slack 上提出問題並快速得到答案，當我們遇到問題時，他們的團隊會來到我們的辦公室與我們一起解決。他們總是會出現。」

Fyxer 的方法為正在開發高度情境化 AI 產品的創辦人提供了三個寶貴的經驗：

**1. 將電子郵件拆解成更小的任務**

Fyxer 的系統圍繞著 30 到 50 個專業模型構建，每個模型負責電子郵件工作流程中一個狹窄的部分。Fyxer 並非將電子郵件視為單一的文字生成任務，而是將問題分解為一個預測系統，例如判斷訊息是否需要回覆，或起草符合使用者語氣和上下文的回覆。

Hollingsworth 解釋說：「將問題分解成許多較小的模型，比要求一個模型寫出一封好的電子郵件效果好得多。」

當一封新郵件送達時，回覆決策模型會對訊息進行分類：這是一封需要回覆、需要安排行程，還是僅僅是使用者應該看到的資訊？

如果需要回覆，其他模型會分析電子郵件的意圖並預測互動的可能結果。這些模型會判斷對話模式，例如是否正在朝向安排會議、解決請求，或延續更長的關係線索。

記憶是系統中最重要的部分之一。Fyxer 需要決定哪些細節應該在對話中持續存在，哪些應該在單次交流後消失。當一封新郵件送達時，檢索模型會將其與儲存的互動進行比較，並找出與該人物和對話線索最相關的記憶。

Shantsila 表示：「我們使用 OpenAI 模型處理 Fyxer 系統中的所有步驟，從消化電子郵件以理解其內容，到提取和重新排序我們想要包含的上下文，再到實際的電子郵件生成。」

**2. 根據優秀助理的實際工作方式進行訓練**

在推出其 AI 產品之前，Fyxer 經營了多年的人工執行助理服務。隨著時間的推移，團隊累積了超過 50 萬小時的帶註釋執行工作流程數據集，捕捉了真實助理如何管理專業溝通。

這些範例為 Fyxer 提供了來自實際工作的訓練數據。它們捕捉了良好回覆背後的小判斷：何時快速回覆、何時等待、哪些先前的對話很重要，以及同一個請求如何因人而異地需要不同的回覆。

Fyxer 在其更廣泛的系統中使用了監督式微調（supervised fine-tuning）和低秩適應（Low-Rank Adaptation, LoRA），以創建特定任務的模型變體，同時控制訓練成本。在產品開發初期，團隊使用 OpenAI 的微調平台來處理需要高準確度的任務。最近，Fyxer 與 OpenAI 的託管微調團隊合作，將一個新的檢查點投入生產。

Fyxer 的 AI/ML 產品工程師 Joey Dwonczyk 表示：「OpenAI 對我們來說至關重要，他們幫助我們將對客戶的了解成功地融入到模型運作方式中。」

在任何模型部署之前，Fyxer 會根據圍繞其自身電子郵件任務（包括起草、分類和優先排序）構建的驗證集對其進行評估。團隊會權衡準確性、回應時間和成本，因為最佳選擇可能因任務而異。

**3. 將使用者回饋轉化為自我訓練循環**

一旦部署，Fyxer 的系統會透過真實使用者回饋持續改進。當使用者在發送前編輯草稿時，原始郵件和最終郵件之間的差異顯示了他們偏好的輸出。

Fyxer 使用直接偏好優化（Direct Preference Optimization, DPO）將這些比較轉化為訓練數據。模型從成對的輸出中學習：原始草稿和使用者編輯後的版本。

每個草稿修改都會經過 A/B 測試。Fyxer 僅在產生統計上顯著改進時才發布新版本。其龐大的使用者量意味著團隊有時可以在一天內達到該閾值。

如今，Fyxer 生成的 AI 草稿有 53% 被使用者直接接受。這意味著系統在很大一部分真實對話中正確預測了意圖和語氣。僅在 2025 年，Fyxer 的年度經常性收入就從 100 萬美元增長到 3200 萬美元。

對於 Hollingsworth 來說，更強烈的信號是使用者留存率。許多 Fyxer 客戶並非技術背景深厚，對其中一些人來說，Fyxer 是他們每天使用的第一個 AI 系統。Hollingsworth 說：「每個人都在談論年度經常性收入（ARR），但我認為留存率才是真正的實力展現。超過 90% 的使用者在 90 天後仍然是我們的付費用戶，並且每天都在使用我們。」

**從草稿到主動式助理**

展望未來，Fyxer 正在建立對人際關係、偏好和持續工作線索更豐富的理解。他們的助理將持續進化，超越起草回覆，成為一個更廣泛的 AI 助理，能夠管理使用者更多的溝通和協調工作量。

Hollingsworth 表示：「我們的願景是讓客戶盡可能地做他們真正喜歡的工作。我們希望讓他們達到一個境界，他們再也不需要打開電腦，並且可以信任 Fyxer 來管理所有這些事務。」