Fyxer AI Executive Assistant Technical Implementation

Fyxer 透過多模型系統解決高情境溝通問題

Fyxer 開發了一款 AI 行政助理，透過結合 OpenAI 模型與包含 50 萬小時標註行政助理工作流程的專有數據集，來管理專業溝通。這種方法解決了「莫拉維克悖論」（Moravec’s paradox）——即人類覺得容易的任務（例如細微的電子郵件溝通）對 AI 而言卻很困難——藉由學習個別使用者的偏好與關係情境。

將電子郵件工作流程分解為專業化模型

Fyxer 以由 30–50 個專業化模型組成的系統，取代了單一提示詞（single-prompt）的電子郵件生成方式。每個模型負責工作流程中一個狹窄的細分領域，以提高精準度與可靠性。

分類與意圖管線

當新郵件到達時，系統會遵循特定的預測序列：

  1. 回覆決策：一個模型會將訊息分類為需要回覆、需要排程動作，或是僅具資訊性。
  2. 意圖分析：如果需要回覆，模型會分析意圖並預測可能的結果（例如：安排會議或解決請求）。
  3. 情境檢索：檢索模型會將新郵件與儲存的互動紀錄進行比對，以提取該特定對象與對話串中相關的記憶與歷史情境。

模型角色

OpenAI 模型被運用於整個管線中，用於消化郵件、重新排列檢索到的情境，以及最終生成電子郵件草稿。

基於人類專家工作流程的訓練

Fyxer 利用其作為人力助理服務商的歷史經驗來訓練其 AI。該公司使用超過 50 萬小時的人類行政助理工作流程數據集，以捕捉專業溝通所需的細微判斷，例如時機與語氣。

微調與優化

為了在控制成本的同時維持準確度，Fyxer 採用了幾種技術策略：

  • 監督式微調 (SFT) 與 LoRA：Fyxer 使用低秩適應（Low-Rank Adaptation, LoRA）來建立特定任務的模型變體。
  • 受管式微調 (Managed Fine-Tuning)：團隊與 OpenAI 的受管式微調團隊合作，將新的檢查點（checkpoints）投入生產環境。
  • 驗證集：每個模型都會在內部驗證集上進行評估，重點關注草稿撰寫、分類與優先級排序，以在準確度、回應時間與成本之間取得平衡。

透過使用者回饋迴圈進行持續改進

Fyxer 使用真實世界的用戶互動來建立自我訓練迴圈，隨著時間推移來提升模型性能。

直接偏好優化 (DPO)

當使用者在發送前修改了 AI 生成的草稿時，Fyxer 會將原始草稿與修改後的版本視為一對輸出。系統使用直接偏好優化（Direct Preference Optimization, DPO）從這些修改中學習使用者的偏好，而無需手動標註。

A/B 測試與性能指標

只有在 A/B 測試顯示出統計學上的顯著改進後，新模型版本才會部署。這種迭代過程帶來了以下結果：

  • 草稿接受度：53% 的 AI 生成草稿被直接接受而未經修改。

  • 業務增長：年度經常性收入 (ARR) 在 2025 年從 100 萬美元增長至 3,200 萬美元。

  • 留存率：超過 90% 的使用者在 90 天後仍是付費客戶。

未來方向：主動協調

Fyxer 正在將其系統從草稿撰寫工具演進為一款主動式助理，能夠管理更廣泛的溝通與協調工作量，目標是減少使用者為了日常協調任務而手動操作電腦的需求。

Sources