Fyxer打造高留存AI高管助理，年营收飙升32倍

对许多职场人士而言，日常工作常被淹没在邮箱、会议、即时消息与各类工具的往复沟通中。一旦丢失关键上下文，承诺事项就容易被遗漏，进而影响项目推进与业务关系。

AI 初创团队 Fyxer 打造了一款能够跨工具持续追踪工作脉络的 AI 高管助理。它将 OpenAI 的前沿模型与超过 50 万小时的人工高管助理工作流数据深度结合，将复杂工作拆分给数十个专用模型，并通过真实用户反馈实现持续自我迭代。

邮件场景最能体现这种复杂性。同一封邮件，面对不同的收发件人关系、过往沟通背景以及当下的核心目标，所需回复截然不同。这种在人类看来习以为常的判断，对 AI 而言却极具挑战。

Fyxer 联合创始人 Archie Hollingsworth 指出，这正是典型的“莫拉维克悖论”——人类觉得容易的事情，对计算机往往很困难；而计算机觉得容易的事，人类做起来却费劲。Fyxer 的解决策略是学习每位用户的具体工作习惯，像一名熟悉背景的真实助理一样做出恰当回应。

在底层架构上，OpenAI 的前沿模型负责邮件理解、上下文召回及草稿生成等核心环节。Fyxer 团队表示，OpenAI 模型在其内部基准测试中表现最佳，尤其在语气与意图等主观任务的微调能力上优势明显，同时 OpenAI 团队也提供了紧密的工程支持。

对于构建高上下文 AI 产品的创业团队，Fyxer 的实践沉淀出了三项核心经验：

1. 将邮件处理拆解为细分任务

Fyxer 系统内包含 30 至 50 个专用模型，各自负责邮件流程中的一个细分环节。团队没有将写邮件视为单一的文本生成任务，而是拆解为一系列预测问题，例如判断是否需要回复、匹配用户特定语气与上下文等。

“把问题拆成多个小模型协同工作，效果远比直接让一个大模型写一封‘好邮件’出色得多。”Hollingsworth 解释道。

新邮件进入系统后，回复决策模型会首先进行分类：该邮件是需要回复、需要安排日程，还是仅供参考的信息？如果需要回复，意图识别模型会进一步预测沟通走向，例如是在推进会议日程、解决具体诉求，还是在维持长期的合作联系。

记忆模块也是核心环节。系统需要判断哪些细节应当长期沉淀，哪些只属于单次会话的临时信息。当新邮件到达时，检索模型会对比历史交互，精准提取最相关的上下文记忆，再由 OpenAI 模型完成上下文重排序与最终内容生成。

2. 基于真实高管助理经验进行训练

在开发 AI 产品前，Fyxer 曾长期运营人工高管助理服务。团队由此积累了超过 50 万小时、带有详细标注的真实工作流数据，完整记录了专业助理如何应对日常沟通。

这些数据让模型学会了细微的业务判断：何时该即时回复，何时该稍作等待，哪段历史背景最关键，以及面对不同对象时同一诉求该如何差异化表达。

在工程落地中，Fyxer 结合监督微调（SFT）与低秩适应（LoRA），在控制算力成本的同时定制任务级模型变体，并与 OpenAI 托管微调团队合作将最新模型推向生产环境。上线前，所有模型均需通过涵盖起草、分类与优先级排序的验证集评估，在准确率、响应延迟与推理成本之间取得平衡。

3. 构建用户反馈驱动的自我训练闭环

模型部署后，系统依托真实反馈实现持续迭代。当用户在发送前修改 AI 草稿时，修改前后的文本差异便直接反映了用户的偏好。

Fyxer 利用直接偏好优化（DPO）将这部分数据转化为训练语料，无需人工标注即可让模型持续学习“初稿”与“用户最终采纳稿”的差异。每次生成逻辑的更新都会经历严格的 A/B 测试，只有在产生显著统计学提升时才会全量上线。

目前，Fyxer 生成的邮件草稿中有 53% 无需任何修改即可直接发送。2025 年内，Fyxer 的年度经常性收入（ARR）从 100 万美元快速增长至 3200 万美元。

相比营收爆发，Hollingsworth 更看重产品留存指标。Fyxer 的很多用户并非技术背景深厚的极客，该产品往往是他们日常高频使用的首款 AI 工具。“很多人只关注 ARR，但留存才是核心壁垒。我们有超过 90% 的付费用户在 90 天后依然维持订阅，并且每天都在使用。”

从辅助起草走向全流程主动接管

未来，Fyxer 计划深化对人际网络、个性化偏好及复杂工作流的理解。产品正从单纯的草稿助手演进为更主动的综合 AI 智能体，承接更多维度的协调与沟通职责，让用户免于繁琐的终端操作，专注于自身最核心的工作。