在現代職場中，專業人士面臨的最大挑戰之一是如何在海量的電子郵件、會議記錄與訊息應用程式之間，精準地追蹤所有承諾與對話脈絡。缺乏足夠的上下文資訊，很容易導致重要事項被遺漏，進而損害專案進度或人際關係。針對這個痛點，歐洲新創公司 Fyxer 開發了一款 AI 行政助理，旨在打破工具間的資訊碎片化，提供具備高度上下文感知能力的溝通支援。
根據 OpenAI 分享的案例，Fyxer 的核心目標是讓 AI 能像一名經驗豐富的人類助理一樣，根據使用者與對方的關係、過往互動紀錄以及目前的目標，擬定出符合個人口吻且精準的回覆。這涉及到一個名為莫拉維克悖論（Moravec's paradox）的現象，意指人類覺得簡單的事情（如理解社交語境、把握口吻）對電腦來說極其困難，而電腦擅長的事（如複雜計算）對人類反而很難。為了克服這一挑戰，Fyxer 並非單純依賴單一大型模型，而是建立了一套複雜的協作系統。
為了讓 AI 能夠處理高度主觀且複雜的郵件溝通，Fyxer 將電子郵件處理流程拆解為 30 到 50 個專門的小型模型。這種設計邏輯是將單一的文字生成任務轉化為一系列的預測過程。當一封新郵件到達時，系統首先由回覆判定模型（Reply Decision Model）進行分類，判斷該郵件是需要回覆、需要安排行程，還是僅僅是使用者需要知悉的資訊。
如果判定需要回覆，後續的意圖分析模型會介入，預測此次互動的可能結果，例如對話是否正趨向於約定會議或解決某項請求。在此過程中，記憶系統扮演關鍵角色，檢索模型會將新郵件與儲存的歷史互動紀錄進行比對，從中提取出與該對象及該對話主題最相關的記憶片段。Fyxer 利用 OpenAI 的模型來執行從郵件消化、上下文重新排序到最終草稿生成的所有步驟，確保每一環節都有專門的優化。
除了技術架構，Fyxer 的競爭優勢來自於其深厚的領域數據。在推出 AI 產品前，Fyxer 長年經營人類行政助理服務，累積了超過 50 萬小時的專業工作流標記數據。這些數據記錄了頂尖助理在處理專業溝通時的微小判斷，例如何時該快速回覆、何時該等待，以及相同請求在不同對象之間應如何調整口吻。
在模型訓練上，Fyxer 採用了監督式微調（Supervised Fine-Tuning）以及低秩適配（LoRA, Low-Rank Adaptation）技術。LoRA 是一種高效的微調方法，允許在不改變原模型所有參數的情況下，透過訓練極少數額外參數來適應特定任務，從而大幅降低訓練成本並維持高效能。透過與 OpenAI 團隊的緊密工程協作，Fyxer 將這些專業的人類經驗成功轉化為模型的行為模式。
為了讓 AI 持續進化，Fyxer 建立了一套基於真實使用者回饋的自我訓練循環。當使用者在發送郵件前修改 AI 生成的草稿時，系統會將原始草稿與最終修改版本視為一對對比數據，並利用直接偏好優化（DPO, Direct Preference Optimization）技術進行學習。DPO 讓模型能直接從使用者的偏好對比中學習，而不需要人工手動標記每一筆數據。
所有更新的模型版本在部署前都會經過 A/B 測試，只有在統計上能證明有顯著提升時才會正式上線。這種機制讓 Fyxer 的 AI 生成草稿接受率達到 53%，意味著超過一半的草稿在無需修改的情況下即可直接使用。
這種將專業經驗數據化、將複雜任務模組化，並結合即時回饋循環的策略，為 Fyxer 帶來了顯著的商業成果。其年度經常性收入（ARR）在 2025 年從 100 萬美元快速成長至 3,200 萬美元，且 90 天的使用者留存率超過 90%。這證明了即使對於非技術背景的使用者，只要 AI 能提供高度可靠且符合個人情境的協助，就能建立深厚的信任感。未來，Fyxer 計畫將功能從單純的草稿撰寫擴展到更全面的溝通協調管理，目標是讓使用者能完全信任 AI 處理瑣碎的行政庶務，將精力專注於真正熱愛的工作上。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。