Fyxer AI 行政助理技术实现

Fyxer 通过多模型系统解决高上下文通信问题

Fyxer 开发了一款 AI 行政助理，通过将 OpenAI 模型与包含 500,000 小时标注行政助理工作流的专有数据集相结合，来管理专业通信。这种方法通过学习个人用户偏好和关系上下文，解决了“莫拉维克悖论”（Moravec’s paradox）——即人类觉得容易的任务（如细微的电子邮件通信）对 AI 来说却很困难的问题。

将电子邮件工作流分解为专业化模型

Fyxer 用由 30-50 个专业化模型组成的系统取代了单一提示词（single-prompt）的电子邮件生成方法。每个模型负责工作流的一个狭窄细分领域，以提高精度和可靠性。

分类与意图流水线

当新邮件到达时，系统会遵循特定的预测序列：

  1. 回复决策：一个模型会对消息是否需要回复、需要调度动作，或者仅仅是信息告知进行分类。
  2. 意图分析：如果需要回复，模型会分析意图并预测可能的后续结果（例如，安排会议或解决请求）。
  3. 上下文检索：检索模型会将新邮件与存储的交互记录进行对比，以提取针对该特定人员和对话线程的相关记忆和历史上下文。

模型角色

OpenAI 模型被应用于整个流水线，用于消化邮件、对检索到的上下文进行重新排序，以及最终生成邮件草稿。

基于人类专家工作流的训练

Fyxer 利用其作为人工助理服务的历史经验来训练其 AI。该公司使用超过 500,000 小时的人类行政工作流数据集，以捕捉专业通信所需的微妙判断，例如时机和语气。

微调与优化

为了在控制成本的同时保持准确性，Fyxer 采用了几种技术策略：

  • 监督式微调 (SFT) 和 LoRA：Fyxer 使用低秩自适应 (LoRA) 来创建特定任务的模型变体。
  • 托管式微调：团队与 OpenAI 的托管式微调团队合作，将新的检查点（checkpoints）推向生产环境。
  • 验证集：每个模型都在内部验证集上进行评估，重点关注起草、分类和优先级排序，以在准确性、响应时间和成本之间取得平衡。

通过用户反馈循环实现持续改进

Fyxer 利用真实的用用户交互来创建一个自我训练循环，随着时间的推移不断提高模型性能。

直接偏好优化 (DPO)

当用户在发送之前编辑 AI 生成的草稿时，Fyxer 会将原始草稿和编辑后的版本视为一对输出。系统使用直接偏好优化 (DPO) 从这些编辑中学习用户的偏好，而无需进行手动标注。

A/B 测试与性能指标

只有在 A/B 测试显示出统计学上的显著改进后，新模型版本才会部署。这种迭代过程带来了以下结果：

  • 草稿接受率：53% 的 AI 生成草稿被原样接受。
  • 业务增长：年度经常性收入 (ARR) 从 100 万美元增长到 2025 年的 3200 万美元。
  • 留存率：超过 90% 的用户在 90 天后仍是付费客户。

未来方向：主动协调

Fyxer 正在将其系统从一个起草工具演变为一个主动的助理，能够管理更广泛的通信和协调工作负载，目标是减少用户为处理常规协调任务而手动操作电脑的需求。

Sources