两个维度，决定零售行业“人货场”如何选择落地AI丨2025 ITValue Summit 前瞻对话「AI落地指南特别篇」⑩

零售行业在数字化阶段就算是走的比较靠前的行业之一，但因为其复杂度较高，场景选择面极广，涵盖了“人、货、场”，并覆盖了从供应链到C端用户等多个维度的场景，因此存在AI应用落地如何更具性价比、如何选择场景等难题。

在钛媒体2025 ITValue Summit前瞻之AI落地指南系列直播中，钛媒体集团联合创始人刘湘明与多点数智AI业务负责人陈品竹就围绕上述零售行业AI应用落地的痛点话题展开了讨论。

“原先需要人力密集的重复性工作，现在可以通过类似RPA（Robotic Process Automation，机器人流程自动化）的工具解决。随着大模型能力增强，分析类、建议类甚至推理工作都能交给 AI 完成。”陈品竹强调，这种转变不仅发生在面向消费者的C端，在帮助B端企业收集C端用户真实诉求方面，AI也带来了信息获取方式的根本性改变。

在陈品竹看来，零售行业落地AI应用需要从两个维度进行考量。

一个维度是业务指标贡献度的高低。“业务指标可以分为产品类、财务类、人效类等。比如，通过AI技术是节省员工工作时间了，还是带来直接收入了，还是提升产品影响力，或者提升市场占有率了。这些都属于业务指标。”陈品竹指出。

另一个维度是场景的技术成熟度。陈品竹表示，技术成熟度中，首先是模型的成熟度，其次是数据成熟度；第三是业务流程匹配度。“因为需要将技术与场景串起来，就需要业务流程的匹配度，以及场景对性能的要求等等，这些指标我们都统一认为是技术成熟度的组成部分。”陈品竹解释道。

零售行业对于AI的需求也存在差异，从需求角度出发，目前零售行业根据不同体量，不同业务需求，也呈现出明显的分层特征。对此，陈品竹表示，尽管降本增收、提升用户体验是所有零售商的共同目标，但不同规模企业的优先级和实现路径存在显著差异。

大型零售商更关注整体流程的统一标准化。以货架陈列为例，不同地理位置、不同规模的门店在商品摆放上往往依赖店长经验，难以形成统一标准，直接影响销售效果。“当有了AI能力之后，这些管理流程可以通过AI实现标准化。”陈品竹表示。

对于腰部企业而言，核心诉求则是将人力从重复性工作中解放出来，投入更有价值的创造性工作。陈品竹指出：“这些企业面临的最大痛点是如何提升人效，让员工聚焦高价值任务。”这种需求差异决定了 AI 解决方案必须采取差异化策略。

在陈品竹看来，AI在零售行业的成功落地并非单纯的技术问题，而是需要组织、数据与技术的协同演进。陈品竹表示，AI落地最重要的是一把手工程。“因为AI会重构组织和经营方式，需要企业管理者从战略层面思考AI能解决什么问题，而不仅是引入一个工具。”陈品竹指出。

数据基础是AI应用的另一关键因素。多点数智的实践表明，围绕“进销存“的核心数据相对齐全，但难以结构化的行业知识和外部市场信息仍是短板。“很多经验存在于从业者脑子里，很难转化为可用数据。”陈品竹指出，这部分知识的沉淀和外部合规数据的引入将是未来提升AI效果的关键。

附上本期直播时间轴，帮你快速跳转感兴趣的部分。

00：08：02 AI在零售业中的应用场景

00：12：13 梳理需求与优先级评估

00：15：32 如何选择模型产品与适配场景

00：18：42 AI在零售业成熟度分析

00：42：17 AI在零售业应用挑战

以下为对话实录，经钛媒体APP整理：

刘湘明：在零售业务场景中，大模型是否带来了一些显著的改变？

陈品竹：变化还是比较明显的。从大模型能力来看，大模型在自然语言处理方面，其泛化能力，推理能力非常强。这就导致了我们产品交互的形态上（人机交互），发生了很大的变化。

与此同时，我们产品能为顾客提供的价值点也在发生变化。比如，原先需要人力密集的、重复性高的工作，就可以通过类似RPA的工具解决。包括，随着大模型的能力越来越强，分析类、建议类，甚至很多推理的工作，都可以交给大模型完成。

此外，还有很多数据积累类的工作，诸如商品信息收集，AI导购助手等工作，也可以通过AI实现。一方面是C端很多的应用，另一方面，面向B端，也有很多通过AI帮助B端企业去收集C端用户的真实诉求，这就导致了信息获取方式上的变化。

原先很多传统技术不太能实现的地方，大模型出现之后，将这些功能、产品都重新做了一遍。

刘湘明：AI出现之后，“人货场”这个组合有何变化？

陈品竹：目前来看，“人货场”的变化并不是很明显。人货场是一个比较泛的概念，我们围绕人货场的AI应用可能会存在一些不同之处。

刘湘明：当前零售客户对AI的最迫切需求是什么？是降本、增收，还是用户体验升级？不同规模客户的需求是否存在差异？

陈品竹：从我们的观察的角度出发，不同规模的客户，有一些共同的诉求。比如，降本增收、提升用户体验，这两个是通用的诉求点。只是存在一些优先级的差别。目前来看，增收的需求是最强的，同时，降本的诉求也很迫切。然后是用户体验的提升。

落地到具体场景中来看，比如，在人不太愿意干，并且是频繁、重复性的工作方面，以及人可能干不好，需要让有经验能力的人做的工作，这些工作可以用AI帮助进行，是客户目前需求比较迫切的地方。

但是，根据零售商的规模不同，虽然降本增效的需求是相同的，但体现在流程上会有些不同。比如，大型零售商而言，他们更多关注的是整体流程统一标准化。以陈列为例，针对不同地理位置、不同规模的门店，货架陈列、选品也存在不同。在商品摆放的时候，如果没有一个系统进行管理，很难实现标准化。以烘焙为例，蛋糕的摆放是松散一点，还是丰富一点，都是根据店长的个人经验进行管理的，而这点也可能对销售产生影响。当有了AI能力之后，这些管理的流程，我们可以通过AI实现标准化。

对于中部、腰部企业而言，他们更多关心有一些重复的事情，如何能将人力更多的从这些重复的事情中释放出来，去做一些更有价值的事。

刘湘明：就零售行业而言，哪些场景中，AI应用对场景的改变比较大？

陈品竹：从两个维度来看这件事。一个是目前对于客户来讲，在零售行业，仍处于初期，客户会提出一些需求的场景，这些场景不一定是AI落地的，但这些需求有时候都体现在一些重复性非常高的场景里。比如供应商资质审核，在审核的过程中，不仅要看供应商的资质，在进货的过程中，还要看每个商品的资质。这个过程就需要人收集资料，然后完成检查，同时还要追溯资料的有效期。在换品的过程中，就需要重新审核资料，工作量很大。在没有AI的时候，只能依靠人工完成，是属于重复性高、频繁的工作。

此外，还有流程标准化方面，这点不仅是零售行业，各行业企业都面临这个问题，尤其是大企业内部，人员规模大了之后，组织架构也会复杂，在上传下达的过程中，很多战略落地会变形。

这时候，就需要一套体系化的系统，帮助企业完成标准化的设计与落地执行。之前传统系统更多是依靠流程完成，AI问世之后，零售商就会思考，能不能通过AI实现流程的标准化。

另外，还有一些需求，比如需要帮助企业收集多维度信息，但在这些需求收集的数据完整度不高，数据质量不好的时候，AI是很难发挥作用的。

综合来看，我们的客户需要在流程上、标准化上，以及信息处理上，通过AI技术得到提升。在落地难易度上看，技术成熟度高，且产生价值比较大的场景中，是AI比较好落地的场景。

刘湘明：多点数智如何完成需求的梳理？比如哪些需求是真的，哪些需求优先级更高。

陈品竹：需求梳理有一个简单的方法，我们从两个维度、四个象限进行梳理。

第一个维度是业务指标贡献度的高低。业务指标可以分为产品类、财务类、人效类等。比如，通过AI技术是节省员工工作时间了，还是带来直接收入了，还是提升产品影响力，或者提升市场占有率了。这些都属于业务指标。

第二个维度是场景的技术成熟度。技术成熟度中首当其冲的是大模型，也就是模型的成熟度，进而很重要的一点是数据成熟度，数据是否完整，是易加工的。再然后因为需要将技术与场景串起来，就需要业务流程的投入度，以及场景对性能的要求等等，这些指标我们都统一认为是技术成熟度的组成部分。

这两个维度就组成了四个象限。如果业务指标高，技术成熟度也高的象限，我们肯定会重点投入；如果业务指标高，但技术成熟度没那么高的，比如AI助手、智能客服等场景，我认为前期可以投入一些资源，因为随着未来模型能力的提升，技术成熟度会逐渐变高，就会向着两个维度都高的象限迁移。所以在这个象限里的需求，我们会做一些技术创新。

其余两个象限。一个是技术成熟度高，但业务指标低的，这类型的需求就要谨慎投入，有可能陷入“自嗨”，因为技术成熟度高，很容易实现，但实现后会发现，可能这款产品不太容易被市场接受。而对于处在两个维度都很低的象限的需求，就会彻底放弃。

刘湘明：物美是如何根据不同场景，选择适合的大模型的？使用哪个大模型产品比较多？

陈品竹：与我们有合作的模型合作伙伴的模型我们基本都有用到。比如千问、火山，包括GPT等大型的模型服务商都有合作。我们主要还是根据场景，选择模型。

在做AI产品的时候，我们都需要做POC，POC的过程中，我们会比对不同模型之间的效果，然后根据模型技术特点，进行筛选，并没有一个很固定的倾向，要用其所长。

刘湘明：你能否举例说明一下，不同的场景适配什么样的大模型？

陈品竹：比如多Agent协同的过程中，Agent内部沟通的时候，就会存在token过长的问题，这是个难题。解决这个问题需要投入的研发成本很高，而且处理完之后，不一定将来就被固定下来，这个时候我们会选用Gemini，因为其上下文能力很强，就能让我们暂时不用考虑token过长的问题。

再比如，想一下语言类交互的场景，尤其是中文的场景，我们会用千问多一点，因为它在中文理解上的能力很优秀；在多模态场景上，我们用火山引擎的模型会多一些。

刘湘明：多点数智目前针对多少个场景开发了AI应用？

陈品竹：大概有10多个。我们从“人货场”的方向出发，梳理一下。“场”是门店这类场景，我们有智能巡检、智能防损、无人夜收这类的产品；“货”就是商品，我们有补货、出清、选品，还有一款产品叫鲜算，是对这种现加工商品进行生产计划的产品；“人”是员工，比如导购、客服等产品都推出了一些产品。

刘湘明：如果给这些场景成熟度打个分，你觉得哪些场景现在应用的成熟度最高？哪些是还有一定提升空间的？

陈品竹：在“场”这个大场景下，我们布局比较早，因为场这个场景下，很多是跟视觉相关的，本身在这方面，我们多年来也投入了很多算法研发，所以，这个场景内，技术成熟度相对较高。以及回到象限来说，客户需求和技术成熟度都比较高，所以这块算是比较成熟的部分，使用的也很好。

然后像商品出清、补货这部分也是，其实在大模型问世之前，很多基于传统算法，进行预测、时序等，也是能解决问题的，只是说传统算法在解决的过程中，存在局限性，或者ROI不好等问题。大模型来了之后，用大模型技术就能很好的帮我们解决这部分的问题。包括算法精准度、何时重新进行训练等问题，其实通过生成式AI，可以很好帮我们完成，可以让我们的预测变得更准。

像偏探索的部分，其实也是做了一段时间之后，发现比较难的部分，比如像导购、助手之类的。因为首先，这个部分我们面向的客户不太一样，我们要面向全国和全世界的用户，就会发现使用的语言、语境不同，然后业务会出现大量不标准的部分，以及整个零售行业的链条又比较长，每个场景又不够复杂。所以最开始的时候，我们尽量想做一个，起码在某一个产品领域（或者说某一个相对独立的业务单元里），能够起到很好作用的AI助手，但这个也很难。

所以从行业上来看，我们也逐渐在回到从小的需求出发，不断尝试，像这些地方，技术成熟度其实没有那么高。虽然看上去可能只是个助手、对话，但其实对底层业务架构来说，需要打通，并且，需要对数据进行整理、打通，这些方面的要求非常高。所以这些部分，我们还在探索阶段，也还有很大的提升空间。不过这个方向我们还是很好看的，觉得未来一定会以AI的形态出现，对产品进行改造。

刘湘明：选品、补货一直以来都是零售行业比较大的挑战之一，AI能在这些方面带来哪些改变？提升效果如何？

陈品竹：选品的挑战确实比较大，选品面临的问题会很多，因为选品对于零售行业而言，是自身定位和战略决策的问题。而且选品串联的流程比较长。如果从选品和补货场景来说，其实补货场景的成熟度会更高一些。补货场景中，从预测角度上来看，其实与品类也有很大的关系。每个品类的销售表现，以及整个供应链的情况都不一样。但是在补货场景我们有很好的基础，多点做自己的OS也有10年了，也沉淀了很多的数据（经过客户授权同意的数据）。我们会拿这些数据做一些训练，主要训练模型对商品的理解，比如浅层面是对商品本身基础信息的理解，然后是整个物流表现信息的理解，还有销售信息的理解。

比如基础信息，像印在商品上的配料表、名称、价格，甚至是国标、规格等等信息，然后还有一些视觉信息，比如是圆形的，箱装的，以及产品的颜色等等。同时还有一些跟场景相关的信息，比如销售场景相关的，例如散装的商品可能更多是个人买，箱装的可能是家庭周期性补货，或者送礼等场景。

在供应链环节，也可以识别出，是普通常温，还是冷藏，然后一拍有多少个等等，这些信息是很好获取的。有了这些信息之后，就可以实现甚至是SKU级别的预测。当没有AI的时候，通过传统的方式，我们需要花费很多人力，需要有算法工程师每天洗数据，然后再调模型。但是，当生成式AI出现之后，有些事情就可以交给AI去做，解放了算法人员，让AI帮助我们内部员工先实现提效的同时，还能实现更精准的调整模型。

同时，有时候零售商的商品策略、经营策略发生了变化。模型就开始不准了，就需要重新调整，而这个环节也可以让AI参与。这样做虽然有些算法看似还是传统算法，但其实算法的背后是被AI赋能过的，通过AI就极大的提高了预测的准确度。

刘湘明：多点有没有训练自己的专属模型？

陈品竹：我们确实在训练自己的专属模型，不过在这个过程中态度比较谨慎。大模型我们肯定自己不做，但我们会基于大模型和一些特殊的场景，训练一些小模型，然后在固定场景中完成一些工作。

但如果说是不是可以通过一个或几个大模型就能打造出零售行业的大模型，完成所有事？我们其实还有点早。而且从经营角度上看，我觉得ROI并不高。因为本身大模型能力进化非常快，所以可以“让子弹再飞会”，等到投入产出比算不过来的时候，或者说必须要做一些微调的时候，我们才会做这个事。所以目前，还是靠RAG，Agent去解决一些行业问题，但是有些场景其实也在做的过程中。

刘湘明：如何确定小模型的颗粒度？什么样的颗粒度会做一个小模型？

陈品竹：还是从场景、功能的角度划分。每次微调完模型之后，我们还需要重新对模型的性能特点进行评估。如果我们将过多能力叠加在一起的话，模型成本也会比较高。

对于零售行业来说，比较复杂，且标准化程度并不高。同时，零售行业面向的客户群体大中小规模的都有，且既有国内的，也有国外的。所以，虽然看似是一个独立的模块或产品域，但其实已经足够复杂。这个时候，如果企业过早的额进行模型训练的话，就会发现，需要不断的调整模型，如果初期这样做的话，即便是很小的一个场景，人员投入成本投入会很高。比如意图识别（根据语义，指令，做一个指令的路由），即便就这么一个小模型，投入也很高，而且还需要经常修改。所以这类型的事情，我们后期换成了RAG，一个研发人员就能解决这个问题。

刘湘明：场景如何一步步迭代？是通过时间，还是效果？

陈品竹：主要还是按照效果。

刘湘明：AI训练里面最重要的是数据，多点训练模型过程中，最关键的数据来自哪里？目前训练过程中，还缺少那些数据？

陈品竹：数据来源方面，首先主要数据来源还是来自于客户授权后的数据，因为我们提供端到端的解决方案，所以整个链条的数据还是比较全的，主要就是围绕“进销存”的数据，相对还很齐全。我们对商品的训练、对商品的理解，无论是场景，还是数据，都比较充分。

欠缺的部分其实是很难被结构化、向量化的行业知识。因为这部分的知识大多在行业从业者的脑子里，这部分的内容主要表现为：员工会干这件事，但是很难说出来，将这部分知识转化成文字或者语言的时候，就会发现缺失很多内容，从而变得不可用。这是比较难的一个部分，我们想讲它沉淀下来，让这部分内容不困难。

此外，客户还需要很多外部市场上的信息，做一些洞察。这部分从合规的角度出发，我们也做的比较谨慎，但客户这方面的需求比较旺盛。所以，这部分的数据，如果能以合规的方式加进模型的训练中，也是比较好的一个点。这也是目前比较缺失的部分。

刘湘明：多点本身在物美积累了足够的实践，这些AI实践拿到外部应用的时候会不会遭遇水土不服，具体体现是什么？

陈品竹：AI技术赋能客户导致水土不服情况比较少。但在AI来临之前，遇见过一些“水土不服”的情况。传统的开发的阶段，物美信息化做的就很好。在对外输出的时候，一是因为存在刚开始做，本身经验不足的问题，此外，有些客户在数字化方面的认知不够，有些功能可能对他来说，已经不早了，但当他没有发展到一定规模的时候，有些事情是看不到的，所以会遇见一些问题。

在这个过程中，我们会调整我们的产品，丰富能力之后，在将产品抽象化。重新设计一些之前设计不够好的产品。在这方面我们也积累了很多经验。在AI来了之后，我们用新的技术，去解决了一些老场景的问题，这个过程中，之前老场景中积累下的经验就显得很宝贵。我们在一开始设计的时候，就会考虑这些问题。

而且，现在AI，尤其是零售行业这样的ToB行业，没有会拿整套AI的技术，重构整个链条，其实AI更多的是解决某个点上的问题，然后剩下的问题是流程上的事，还是用传统技术做。所以我们抽象的比较好一些的话，其实在AI时代，遇见“水土不服”的是相对少一些。此外，在海外，像法律、法规这样的问题，还是有挑战的点。

刘湘明：在物美内部，AI应用与传统系统之间的关系是什么样的？

陈品竹：从两个方面来看，对物美来说，因为原先物美的系统就都是多点提供的服务，开发的AI类产品也基本都是在原有的OS上，所以兼容性一定是最好的，对于物美来说，AI应用与传统系统之间相对就比较顺滑。

因为我们AI产品也可以独立于我们自己的OS，对外输出的。对于外部客户来说，会像一个插件、一个独立模块，或者集成的方式，提供服务，与客户现有的ERP，或者一些其他系统进行集成。

刘湘明：从客户角度出发，AI应用的ROI与部署周期，相较于传统IT系统有何变化？

陈品竹：从客户角度出发，AI项目的部署周期，会比传统，诸如ERP这样的大项目短很多。因为目前AI应用可能更多的是集中在某一个点上完成一些工作，更多的是提供算法能力、大模型能力。这种项目周期会相对短一些。比如出清的场景，或者执行计划类的项目。从POC开始，到最后部署上线可能需要3~4个月的时间，长一点的可能要半年。

刘湘明：目前，商超客户对于AI应用最大的顾虑是什么？

陈品竹：目前AI在零售业还是处于早期阶段。比如，去年我们接触客户的时候，还不太敢谈AI，客户会觉得AI可能是噱头，不太能落地。客户本身自己也不太清楚AI能做什么。但是今年开始，客户会主动去聊AI应用。主要聊的方向有两种类型。一种是集中在某些点，比如某一个点很“痛”，能不能通过AI帮我做一下，解决问题。然后做个POC，如果OK，就展开合作。

另一些比较大体量的客户，已经在做整体的AI规划，三年期起的AI规划，比如整体业务如何在AI下进行调整。这些客户开始非常积极的拥抱AI，这些事明显的变化。

但实际再细化一些，比如怎么做，方案是什么样的，这些细化的地方，客户与行业内的从业者相比，认知相差比较大。整体来看，客户知道AI能给他带来变化，但目前是不是他们，就又回到刚才说的象限里面：客户可能觉得商业价值可以，业务指标也可以。像这块没有数据，但用户会说，AI是不是也能帮我这件事？

所以我觉得零售行业AI应用比较大的一个挑战是：从业者对AI的认知，或者说AI能在业务中帮客户完成哪些事。这些层面的事，并不像传统软件应用阶段那样清晰。所以这部分前期沟通成本会比较高。

其次，有些企业AI人才储备不充足，并且企业内部目标不一致。因为零售行业有业务方，有CIO体系。很多技术软件是CIO负责对接。在零售行业内部，CIO肯定是对技术最了解的人，但企业内部沟通过程中，就会存在一些目标上，或者说沟通上的偏差，而这些偏差也会影响最后AI落地的情况。

当然，最最终极的话题——AI一定是一个一把手工程。

刘湘明：多点是如何帮助中小型商超降低AI使用门槛的？

陈品竹：我们在做产品实际的时候，会考虑到复杂度的情况，所以在设计之初，我们不会将系统设计的过于复杂。比如预测类产品，我们会明确将预测结果，按照客户希望的维度，比如销量、库存等，直接告诉用户预测结果是这样的，如果客户觉得不ok，可以进行调整。

诸如总部的工作人员，或者能力较高的人员来说，这样的能力就可以了。在一些偏执行员工层面，我们还会通过辅助用AI帮员工做一些解释，告诉他们背后的逻辑是什么样的。

所以在本身AI使用场景上来说，并没有很多困难的挑战。更多的挑战还是集中在早期设计方案，以及能力的沟通上。

刘湘明：多点如何把控AI幻觉，以及出现错误策略，所带来的风险？

陈品竹：从两方面来看，一方面，我们从产品形态上杜绝这种事。比如说预测类产品，我们不会干涉它的生产流程，而且输出的结果是非常固定的，所以就算出现了幻觉，最终决策的还是人，所以不会对结果，或者生产产生太大的不良影响。

另一方面，在偏对话类的产品中，需要严格把控输出给使用者的内容的。我们再本身架构设计上，以及上线之前，专门做了一个安全模块，通过安全模块做一些检查。同时，我们会采购一些比较成熟的公司的产品，并进行合规检查。

此外，AI只是一个技术，与传统开发相比，在质量保障上来看，我觉得差别不大。传统开发SOP流程已经被验证了，与传统开发相比无非就是某些点，集中做的不一样而已。所以在AI部署时，我们也可以做像开关，监测，以及AB测试等，这些传统开发的方案可以直接借鉴过来使用。

刘湘明：AI是否重构了零售企业岗位？未来人机协同如何发展？

陈品竹：重构是一定的。因为人机交互模式在变化，做事情的要求在变化——员工可能有更多的时间，做更有价值的事，或者擅长的事。而一些不擅长的，重复性的工作，可以让AI帮员工完成。

我觉得AI来了之后，零售商可以将流程简化、标准化，让人可以更好地做更有价值的事。而对人员本身的能力和要求，也在发生变化。

刘湘明：商超员工在应用AI过程中的反应如何？是抵触，还是积极？

陈品竹：都有。有一些员工非常欢迎和积极，他们认为：太好了，以后把我解放了，我可以解放出来去做别的事了。有的确实存在抵触心理，他们觉得，因为AI毕竟是黑盒的状态，这些员工可能觉得AI不太靠谱。

AI太偏技术了，很难跟客户解释。而且我们也不可能跟每一个使用者都解释的这么细，有一些人就觉得AI就是没我好，或者觉得AI就是来替代我的。

但 AI 是大趋势，总体来说，尤其是在需要复杂信息综合处理得到结论的场景下，AI 会比员工的平均水平高很多，甚至优于最好的员工。

刘湘明：我们正在准备一个AI落地最重要的10个问题的研究报告，你认为从客户角度来看，AI落地最需要注意的问题是什么，不限于一个。

陈品竹：首先，AI落地最重要的事还是：一把手工程。因为AI会重构组织和经营，而且企业用AI用的越多，重构的就越彻底。企业管理者思考的并不是来了一个系统，或者来了一个AI，我的企业就变好了。而是企业要思考：希望AI帮我做什么，当前遇见的问题是什么，而AI能恰好帮助企业解决这个问题，这才是企业级AI最好的解。企业内部先发起，并进行思考，而这件事一定是一把手去做的。同时，AI需要资源的投入。

其次，企业需要考虑有没有使用的环境。环境层面，人是一方面，另一方面很重要的是数据。企业想应用AI的业务单元或者产品域中，数据成熟度够不够。如果数据不完整的话，即便AI来了，也不太可能快速的起到效果。