2026年9月14日
初创企业
Fyxer 如何打造一款值得信赖的 AI 高管助理
Fyxer 将 OpenAI 模型与超过 50 万小时的高管助理工作流及真实用户反馈相结合，以每个人的独特语气起草回复。
开始构建
公司规模：
初创企业
地区：
欧洲及英国
行业：
科技
产品：
API
90%
90 天后的用户留存率
53%
被直接采纳的 AI 生成草稿比例
收听文章
6:04
分享
1. 将邮件拆解为更小的任务
2. 针对优秀助理的实际工作方式开展训练
3. 将用户反馈转化为自我训练循环
从草稿到主动式助理
对于许多专业人士而言，工作意味着在收件箱、会议、消息和应用中追踪对话和承诺。如果没有坚实的情境基础，这些承诺可能会遗漏，从而损害项目和人际关系。
Fyxer 打造了一款 AI 高管助理，它能够随着工作在不同工具间流转而持续跟进线索。它将最新的 OpenAI 模型与超过 50 万小时的高管助理工作流相结合，将工作分配给数十个专用模型，并通过真实用户反馈不断优化这些模型。
电子邮件是观察其运作效果最清晰的场景之一。两个人收到同一封邮件时，根据彼此的关系、过往经历以及每个人试图完成的目标，可能需要完全不同的回复。这使得一个看似简单的任务对 AI 来说极具挑战性。
“存在一种被称为‘莫拉维克悖论’的现象，” Fyxer 联合创始人 Archie Hollingsworth 解释道，“人类觉得容易的事情对计算机来说很难，而计算机觉得容易的事情对人类来说却很难。” Fyxer 通过了解每个用户的工作方式来处理这种复杂性，从而像一位已经知道什么重要的助理那样做出回应。
前沿的 OpenAI 模型支持体验中的关键环节，从理解邮件和查找正确的情境到生成草稿。Fyxer 选择 OpenAI 是因为其模型在 Fyxer 的内部基准测试中表现最佳，为语气和意图等主观任务提供了强大的微调能力，并通过白板会议和技术协作提供了切实的工程支持。
“我们选择 OpenAI 是因为他们拥有最好的模型，并且给了我们真正的访问权限和紧密的工作关系。我可以在 Slack 上提出问题并迅速得到回答，当我们遇到问题时，团队会来到我们的办公室与我们一起解决。他们确实全力以赴。”
——Archie Hollingsworth，Fyxer 联合创始人
Fyxer 的方法为构建高度情境化 AI 产品的创始人提供了三点启示：
Fyxer 围绕 30 到 50 个专用模型构建了其系统，每个模型负责邮件工作流中的一个狭窄部分。Fyxer 没有将电子邮件视为单一的文生文任务，而是将问题分解为一组预测系统，例如决定某条消息是否需要回复，或起草符合用户语气和情境的回复。
“将问题分解为许多小模型的效果远好于要求一个模型写好一封邮件，” Hollingsworth 解释道。
当新邮件到达时，回复决策模型会对消息进行分类：这是需要回复的内容、需要安排日程的操作，还是用户只需查看的信息？
如果需要回复，其他模型会分析邮件的意图并预测互动的可能结果。这些模型确定诸如对话是否正走向安排会议、解决请求或延续更长的关系线索等模式。
记忆是系统中最重要的部分之一。Fyxer 需要决定哪些细节应在跨对话中保留，而哪些应在单次交换后消失。当新邮件到达时，检索模型会将其与存储的交互记录进行比较，并提取与该人和线索最相关的记忆。
OpenAI 模型为 Fyxer 系统中的各个步骤提供动力。“我们使用 OpenAI 模型处理从解析电子邮件以理解其实际内容，到提取并重新排序我们要包含的上下文，再到实际的邮件生成等所有环节，”Shantsila 表示。
在推出其 AI 产品之前，Fyxer 曾运营多年由人工驱动的行政助理服务。随着时间的推移，团队积累了一个数据集，其中包含来自超过 50 万小时标注过的行政工作流程的数据，记录了真实助理如何管理职业沟通。
这些例子为 Fyxer 提供了源自工作本身的训练数据。它们捕捉到了良好回应背后的小判断：何时快速回复，何时等待，哪些之前的对话很重要，以及同一个请求如何因对象不同而需要不同的回应。
Fyxer 在其更广泛的系统中使用监督微调（SFT）和低秩自适应（LoRA），以在控制训练成本的同时创建特定任务模型变体。在产品开发的早期阶段，团队使用 OpenAI 的微调平台处理需要高准确性的任务。最近，Fyxer 与 OpenAI 的管理微调团队合作，将一个新的检查点投入生产环境。
“OpenAI 对我们至关重要，它帮助我们将自己对客户的学习成果成功融入到模型的运作方式中。”
——Joey Dwonczyk，Fyxer AI/ML 产品工程师
在任何模型部署之前，Fyxer 都会在其围绕自身电子邮件任务（包括起草、分类和优先级排序）构建的验证集上对其进行评估。团队会权衡准确性与响应时间和成本，因为最佳选择可能因工作而异。
一旦部署，Fyxer 的系统通过真实用户反馈持续改进。当有人在发送前编辑草稿时，原始邮件与最终邮件之间的差异显示了他们偏好的输出结果。
Fyxer 使用直接偏好优化（DPO）将这些比较转换为训练数据。模型不是手动标记每个例子，而是从成对的输出中学习：原始草稿和用户编辑后的版本。
每次起草的更改都会经过 A/B 测试。只有当新版本产生统计上显著的改进时，Fyxer 才会发布它。其用户规模意味着团队有时可以在一天内达到这一阈值。
目前，Fyxer 生成的 AI 草稿中有 53% 被原样接受。这意味着该系统能够正确预测大量真实对话中的意图和语气。仅在 2025 年，Fyxer 的年度经常性收入就从 100 万美元增长到了 3200 万美元。
对于 Hollingsworth 来说，更强的信号是留存率。许多 Fyxer 客户并非技术专家，对其中一些人来说，Fyxer 是他们每天使用的第一个 AI 系统。
“每个人都在谈论年度经常性收入（ARR），但我认为留存率才是真正的亮点。在 90 天节点上，超过 90% 的用户仍在向我们付费，并且每天都在使用我们的服务。”
——Archie Hollingsworth，Fyxer 联合创始人
从草稿到主动式助手
展望未来，Fyxer 正在构建对关系、偏好和持续工作线程的更深入理解。他们的助理不断演变，超越单纯的回复起草，转向更广泛的 AI 助理，能够管理用户更多的沟通和协调工作负载。
“我们的愿景是让顾客尽可能多地做他们真正热爱的工作，”Hollingsworth 说。“我们希望让他们达到一个无需打开电脑就能信任 Fyxer 管理一切的地步。”
OpenAI <3 初创企业
加入社区
开始构建
（在新窗口中打开）
继续阅读
查看全部
Legora 在几分钟内审查了 41 份文档，使用的是 GPT-6 Astra
初创企业
2026 年 9 月 3 日
Playco 使用 GPT-6 Astra 原型制作游戏，将手动修复减少了 50%
初创企业
2026 年 9 月 3 日
Replit 通过 GPT-5.6 Luna 扩大软件创建访问权限
初创企业
2026 年 8 月 19 日