摘要： Fyxer 把電子郵件助理拆成 30 到 50 個專門模型，並用超過 50 萬小時的行政助理標註流程訓練，再透過使用者編輯與 DPO 持續學習。官方指出 53% 的 AI 草稿被原樣接受，2025 年 ARR 從 100 萬美元增至 3,200 萬美元；第 90 天仍有超過 90% 使用者付費且天天使用。
多數專業人士的每天，都在信箱、會議、訊息和各種應用程式之間追著對話與承諾跑。只要中間的脈絡斷了一截，承諾就會被漏掉，專案進度和人際關係也跟著受影響。Fyxer 的目標就是處理這件事：做一個能跨工具把脈絡接起來的 AI 行政助理，而且要做到讓人放心交付。
Fyxer 把最新的 OpenAI 模型和超過 50 萬小時的行政助理工作流程資料放在一起用，將工作分派給數十個專門模型，再靠真實使用者的回饋不斷調整。對產品開發者來說，這套做法值得一看，因為它展示了怎麼把一個看起來很單純的任務，變成可訓練、可評估、可反覆迭代的系統。
郵件不是一個任務，是一串預測
Fyxer 共同創辦人 Archie Hollingsworth 借 Moravec 悖論來說明難處：人類做起來輕鬆的事，電腦做起來反而吃力。同一封信，換兩個人來回，答案可能完全不是同一回事，因為彼此的關係、過往發生的事，還有各自想達到的目的都不一樣。
Fyxer 沒有選擇讓一個大模型去寫出一封好郵件，而是把流程切成 30 到 50 個專門模型，每個模型只處理其中一小塊。新郵件一到，先由「回覆決策模型」判斷分類：這封需要回、需要安排時間，還是只要讓使用者看到就好？決定要回之後，其餘模型接手分析郵件意圖，並預測互動可能往哪裡走，例如這場對話會不會變成安排會議、解決一個請求，或是把一段長期關係繼續下去。
記憶在這套系統裡扮演核心角色。Fyxer 得判斷哪些細節要跨對話留下來，哪些在一次交流結束後就該消失。每當有新郵件進來，檢索模型會去比對過去的互動，把跟這個人、這條對話最相關的記憶找出來。從讀懂郵件內容、把脈絡取出並重新排序，一路到真的寫出草稿，這幾個步驟都由 OpenAI 模型負責。
從真人助理的判斷裡學
在做 AI 產品之前，Fyxer 已經營運真人行政助理服務好幾年，累積出超過 50 萬小時的標註工作流程資料。這些資料記錄了優秀助理那些細膩的判斷：什麼情況要立刻回、什麼情況要再等、哪一段先前的對話才是關鍵、同一個請求為什麼面對不同的人就得換一種回法。
Fyxer 以監督式微調搭配 LoRA，在整個系統上做出各種任務專屬的模型變體，同時把訓練成本壓住。產品早期，需要高準確度的任務交給 OpenAI 的微調平台處理；之後則和 OpenAI 的 managed fine-tuning 團隊合作，把新的 checkpoint 推上生產環境。
模型要部署之前，Fyxer 一定先在自己郵件任務的驗證集上跑評估，範圍涵蓋草稿、分類和優先排序。團隊會一起衡量準確度、回應時間和成本，因為哪個組合最好，取決於任務本身。
把使用者的編輯變成訓練訊號
模型上線之後，Fyxer 靠真實使用者的回饋繼續往前。當使用者動手改過草稿才送出，原始版本和最後送出版本的落差，就透露出他偏好哪一種輸出。
Fyxer 透過 Direct Preference Optimization (DPO) 把這些比較變成訓練資料，不需要為每個例子人工標註；模型直接從一對一對的輸出中學，一邊是原始草稿，一邊是使用者編輯後的版本。每一次草稿改動都要過 A/B 測試，唯有新版本帶來統計上顯著的改善，才會正式上線。以 Fyxer 的使用者規模，有時候一天之內就能跨過這個門檻。
現在有 53% 的 AI 生成草稿被使用者在原樣狀態下接受，這代表系統在真實對話裡把意圖和語氣都正確預測了出來。2025 年，Fyxer 的年度經常性收入由 100 萬美元成長到 3,200 萬美元。不過 Hollingsworth 眼中更扎實的訊號是留存：超過 90% 的使用者到了第 90 天，依然持續付費，而且天天在用。
對產品開發者的啟示
Fyxer 的這套做法，和我們之前談過的流程編排取捨彼此呼應：先想清楚誰有權做決定，再來挑工具。把郵件切成一個個小模型，說到底就是把決策權分給可以各自評估、各自微調的單元，而不是全部押在一個看不到內部的黑箱上。
對於正在做高度脈絡化 AI 產品的團隊，Fyxer 指出了三條可以照著走的路：把複雜任務切成一個個小預測、拿真實工作流程的資料來訓練、把使用者的編輯變成自動化的偏好學習迴圈。這裡面沒有什麼神奇架構，就是產品開發的紀律，搬到 AI 系統上照做。
Fyxer 接下來要做的，是從草稿助理變成更主動的助理，接手更多溝通與協調工作。Hollingsworth 的想像是讓客戶連電腦都不用打開，就能放心把事情交給 Fyxer。這需要對關係、偏好和工作脈絡有更豐富的理解，也正是信任能不能延續下去的關鍵考驗。