核心觀點
Fyxer 的案例說明：讓使用者信任 AI 行政助理，關鍵不是單次把信寫得流暢，而是能否在關係、歷史脈絡與工作目標下持續做出合宜判斷。它以 50 萬小時以上人工行政助理工作流程為資料基礎，將郵件處理拆成 30–50 個窄任務模型，而非交給單一模型「寫一封好信」。官方案例稱，這類拆解涵蓋是否需回覆、是否要排程、意圖判讀、互動結果預測、脈絡檢索與草稿生成。
技術亮點：把個人化做成可驗證的系統
1. 記憶不是越多越好，而是要恰好相關
收到新信時，Fyxer 的檢索模型會比對既有互動，找出與該人物與該討論串相關的記憶；同時必須判斷哪些細節應跨對話保存、哪些只是一次性交換。這與 ChatGPT Dreaming V3：背景記憶合成重構 AI 個人化架構 的核心問題相同：個人化不是囤積資訊，而是選擇、更新與控制脈絡。對郵件助理而言，錯誤召回舊承諾或敏感資訊，會比語句不夠漂亮更快耗損信任。
2. 以專用模型分工，避免「萬用生成」掩蓋決策
Fyxer 以 OpenAI 模型支援郵件理解、脈絡重排與生成，並針對主觀的語氣和意圖任務使用監督式微調與 LoRA。這符合 Fine-tuning 與 LoRA：LLM 參數高效微調技術 的取捨：微調適合把穩定語調與任務行為內化；會變動的事實和關係脈絡則應由檢索層在執行時提供。把「需不需要回」「現在該採取何種動作」獨立成可量測決策，也讓團隊能分別優化準確率、延遲與成本。
3. 使用者編修是最貼近真實工作的偏好訊號
當使用者修改草稿後寄出，原稿與終稿就形成一組偏好對；Fyxer 將此回饋用於 DPO（Direct Preference Optimization）訓練，並讓每次草稿變更通過 A/B 測試與統計顯著性門檻。這把「使用者沒有明說的偏好」轉成持續學習資料，也呼應 DPO 超越對話模型：消除結構化生成任務的文本退化：DPO 的價值不在名稱，而在於偏好對是否清楚、可比較且能代表真實失敗或改寫原因。
成效與判讀
OpenAI 的官方案例記載，Fyxer 稱 53% AI 草稿可原封接受、90 天留存率超過 90%，並稱 2025 年 ARR 由 100 萬美元成長至 3,200 萬美元。這些是公司自述的營運結果，不能直接推論全由模型或微調策略造成；但「不需編修的草稿比例」與「留存」確實比單看模型基準更接近助理產品的信任指標。
實務意義
若要打造高脈絡 AI 助理，可採用四個可操作原則：
- 拆任務、拆風險：先分類與決策，再生成；高風險動作保留明確確認點。
- 把記憶設計成生命週期：定義保存、檢索、過期與刪除，而非只增加向量庫容量。
- 從真實編修建立評估集：持續收集草稿—終稿差異，但要處理同意、最小化保留與敏感資料隔離。
- 以行為結果驗收：同步觀察接受率、錯誤動作、人工接手率、延遲、成本與留存；A/B 測試只驗證特定變更，不能取代整體安全與隱私審查。
Fyxer 的方向是從「代寫信」擴展為管理溝通與協調負荷。能力愈接近代替使用者行事，記憶範圍、權限邊界與可撤銷性就愈應與模型品質一同成為產品核心。也可參考 AI 原生公司：把工作流程變成可複利的營運能力 對可重複流程、持續脈絡與受控執行的整理。
來源：OpenAI〈How Fyxer built an AI executive assistant people trust〉（2026-09-14）；官方案例研究，產品成效與商業數字未經本頁獨立驗證。
反向連結
以下頁面引用了本頁：