Fyxer如何打造值得信赖的AI行政助理

Fyxer如何打造值得信赖的AI行政助理

对许多职场人士来说，工作意味着在收件箱、会议、消息和应用之间追踪对话与承诺。缺乏可靠的上下文，这些承诺就可能被遗漏，进而损害项目和人际关系。Fyxer构建了一款AI行政助理，能够跟随工作在不同工具间的流转，将最新的OpenAI模型与超过50万小时的行政助理工作流相结合，把任务分配给数十个专用模型，并通过真实用户反馈持续改进。

邮件：最直观的试炼场

两封相同的邮件，可能因关系不同、历史不同、目标不同，需要完全不同的回复。这让看似简单的任务对AI来说异常困难。Fyxer联合创始人Archie Hollingsworth引用莫拉维克悖论解释：“人类觉得容易的事，计算机觉得难；计算机觉得容易的事，人类觉得难。”Fyxer的解法是学习每个用户的工作方式，像一位早已了解关键信息的助理那样回应。

OpenAI的前沿模型支持了从理解邮件、找到正确上下文到生成草稿的关键环节。Fyxer选择OpenAI，是因为其模型在内部基准测试中表现最佳，对语气和意图等主观任务有强大的微调能力，并通过白板会议和技术协作提供实操工程支持。

“我们选择OpenAI，因为他们有最好的模型，并给了我们真正的访问权限和紧密的合作关系。我可以在Slack里丢个问题，很快得到答案；遇到问题时，团队会来我们办公室一起解决。他们真的在场。” —— Archie Hollingsworth，Fyxer联合创始人

三条经验：构建高上下文AI产品

1. 把邮件拆成更小的任务

Fyxer围绕30-50个专用模型构建系统，每个模型只负责邮件工作流中很窄的一部分。它不是把邮件当作单一的文本生成任务，而是拆解成一系列预测：比如判断邮件是否需要回复、起草符合用户语气和上下文的回复。

Hollingsworth表示：“把问题拆成许多更小的模型，比让一个模型写好邮件要有效得多。”

新邮件到达时，一个回复决策模型会分类：这封邮件需要回复、需要安排日程，还是只需让用户知晓？如果需要回复，其他模型会分析邮件意图并预测互动的可能结果——对话是走向安排会议、解决请求，还是延续长期关系。

记忆是系统最重要的部分之一。Fyxer需要决定哪些细节应跨对话保留，哪些在一次交流后消失。新邮件到达时，检索模型会将其与存储的交互比较，并浮现与该联系人和线程最相关的记忆。

OpenAI模型驱动着Fyxer系统的多个步骤。“从消化邮件——理解它到底在说什么，到拉取并重新排序我们想包含的上下文，再到实际生成邮件，我们都使用OpenAI模型。”Shantsila说。

2. 基于优秀助理的真实工作方式训练

在推出AI产品之前，Fyxer积累了超过50万小时的行政助理工作流，这些真实数据成为训练和评估的基础。系统不是凭空猜测什么是好助理，而是学习人类助理如何处理语气、优先级和关系维护。

3. 用真实用户反馈持续改进

Fyxer的模型通过真实用户反馈不断优化。用户对AI生成草稿的接受、修改或拒绝，都成为信号，帮助系统更准确地理解个人偏好。

成果与启示

Fyxer公布的数据显示了这种方法的有效性：

• 90%：90天后的用户留存率
• 53%：AI生成草稿被原样接受的比例

对于构建高上下文AI产品的开发者，Fyxer的经验提供了可操作的思路：

• 不要用一个模型包打天下。将复杂任务拆解为多个专用模型，每个模型解决一个明确问题，整体效果更好。
• 记忆管理是关键。决定哪些信息跨对话保留、哪些丢弃，直接影响AI的上下文质量。
• 用真实工作流训练。积累领域专家的真实操作数据，比单纯依赖通用模型更能提升主观任务的表现。
• 建立反馈闭环。让用户行为成为持续改进的信号。

这些做法对AI使用者同样有参考价值：当你评估一个AI助理产品时，可以关注它是否理解你的个人语气、是否记住关键关系、是否把复杂任务拆解为可靠的小步骤。Fyxer的案例表明，值得信赖的AI助理不是靠一个万能模型，而是靠系统化的工程和对真实工作流的深刻理解。