Fyxer 如何打造用户信任的 AI 行政助理

Fyxer 基于 OpenAI 模型构建 AI 行政助理，结合微调、记忆机制和真实用户反馈，跨邮件、会议与日常工作组织信息并起草邮件。其训练数据来自超过 50 万小时的行政助理工作流程，将复杂任务拆解为数十个专用模型来学习用户的上下文、意图和语气。目前 53% 的 AI 邮件草稿被直接采纳无需修改，90 天后超过 90% 的客户仍在付费使用，2025 年年度经常性收入从 100 万美元增长至 3200 万美元。

这组数据把“AI 助理是否可用”从体验描述变成可量化结果：超过一半草稿无需修改、90 天留存超 90%、收入一年内增长数十倍，说明在邮件与日程这类高频场景中，AI 已跨过可用性门槛并形成付费续订。

机制不是单一通用模型，而是用超过 50 万小时真实行政助理工作流程做微调与评估，再用记忆和反馈把任务拆成数十个专用模型，逐用户学习上下文、意图与语气。专用化加持续反馈使输出更贴近个人写作习惯，从而提升草稿接受率和长期留存。

对产品与研发的直接指向是：与其追求单一大模型能力，不如在高频工作流中做任务拆分、记忆与语气适配，并把“草稿无需修改率”和 90 天留存作为核心指标。成本上，专用小模型组合可能比全流程调用通用大模型更可控，评估与反馈闭环成为必需的基础设施。

• 面向邮件与会议场景，建立按用户语气微调的草稿生成功能，并把无需修改的接受率作为核心监控指标。
• 把行政助理工作流拆成多个专用子模型或子任务，分别处理日程、跟进、回复等环节，便于独立评估与优化。
• 搭建真实用户反馈与评估闭环，将用户修改行为转化为微调数据，用于持续提升语气与意图匹配度。
• 针对 90 天留存设计付费转化路径，用草稿接受率和节省时间等可量化指标向企业客户证明续费价值。

• 53% 草稿无需修改的统计口径如何定义，是否区分邮件类型和用户群体，证据未说明。
• 50 万小时行政助理工作流程数据的具体来源、授权方式与隐私合规安排未披露。
• 从 100 万美元到 3200 万美元 ARR 增长中，客户数量、客单价和留存各自贡献多少，证据未拆分。
• 数十个专用模型的具体划分方式、推理成本与延迟表现，证据未提供。