每次从便利店消费，你或许从没想过一个问题：你相中的那瓶饮料，是谁决定让它出现在这里的？

在传统零售业，答案很简单——人。是采购总监的经验、是区域经理的经验判断和直觉，是总部选品会的集体讨论。从业二三十年的老采购，看一眼包装、掂一下价格，就能八九不离十地判断这款产品能不能卖。这个行业向来信奉一句话：选品，选的是经验。

不过，就在2026年6月上旬，一家年营收突破23亿元、坐拥超18万台智能零售柜的无人零售巨头"丰e足食"，其母公司丰宜科技在递交给港交所的IPO招股书中讲了一个反常识的故事：这家公司的选品决策“裁判”交给了算法，人已经退到了后台。

对于这种颠覆性的做法，对做了几十年采购的老零售人第一反应是：算法懂什么？它摸过货架吗？它跟供应商喝过酒吗？这些质疑背后，其实藏着同一个核心问题：在选品这件事上，到底是人更准，还是系统更可靠？

丰e足食的招股书恰好提供了一组对照数据。从2023年到2025年，公司总在售SKU从768个增长到1，816个，年引入新品从263个增加到386个，单柜月均上新从5.9款提升到7.3款，单柜平均月库存SKU数从43.7提升到48.4。

更关键的是，到2025年第四季度，子智能体Link Pilot的算法引擎平均每天完成约4，800万次自动化决策，也就是说丰e足食日常运营决策，绝大多数由系统自动完成，仅极少数需要人工调整。

4，800万次这个数字已经远远超出任何人类团队的处理极限。也就是说，人的决策经验，放在一个运营规模高达18万台自动售货机企业，几乎失效。

一边是经验的不可替代性，一边是算法的高效与规模。选品这件事，到底该交给谁？带着这个问题，笔者翻阅了近400页招股书，试图拆解丰e足食这套"系统选品"的真正逻辑。

售行业最隐蔽的一层决策：“谁能进来”

在传统零售业，"选品"向来被看作一门经验学问。品牌方提出新品，大多数渠道方凭感觉判断，区域运营盯着销量调整，终端根据反馈优化。看口味、看包装、看价格、看区域偏好、看历史销量——决策链条上每个人或多或少都会依赖自己的经验。

这套模式在门店数量有限时尚能运转，但放在一个极度分散的无人零售行业，当终端规模扩展到十万级甚至更高密度时，问题就暴露了：经验可以做判断，但很难做到全局最优。因为每一个点位都是一个独立的消费场景，而且每时每刻需求都在变动，办公楼里的白领需要的，和学校操场边的学生想要的，完全是两码事。

丰e足食覆盖72个城市、超过100种零售场景、超18万台智能零售柜。在这个规模上，继续用"人脑"去判断每一个新品该不该进、该进哪个场景，已经超出了人类决策能力的边界。

招股书给出了一个结构性答案：把新品进入市场的路径，从经验驱动的"流程"，变成概率驱动的"系统"。这个系统就是Link Pilot。

丰宜跨界Link Pilot平均每天完成约4800万次自动化决策，这个数字本身并不是“规模指标”，但是它隐含了决策机制结构变化：决策从“人驱动”，变成“系统持续运行”，在这种结构下，“选品会”的角色也发生了变化，人不再是决策中心，而更像是异常修正机制、品牌策略对齐机制、极端情况处理机制。

Link Pilot的底层逻辑：不是选品，是算品

Link Pilot在招股书中被定义为"产品组合算法引擎"。听上去抽象，但它做的事情其实很具体——把原本在会议室里靠讨论完成的"选品会"，搬进了计算机系统，变成了一套可以持续运行的系统。

系统的输入是一组复杂的数据集合：历史销售表现、SKU库存与动销数据、不同场景的用户画像、天气与季节等外部变量、用户行为反馈与评价。这些数据被统一喂给模型，由模型输出判断，而非由人来讨论出结论。

从这一刻起，"选品"从一个讨论问题，而变成了一个计算问题，作为模型输出的结果来呈现出来。

从"被判断"变成了"被计算"，新品上架前的"三重拷问"

在传统零售体系中，新品是否进入渠道，通常要经历多个环节，譬如品牌提案与渠道谈判、小范围试点，人工复盘销量表现后再决定是否规模铺开，整个过程高度依赖“人”的判断。

基于此，一个新品具体是如何进入丰e足食高度分布式的零售网络？根据招股书披露的机制，一个新品要想进入丰e足食的网络，必须通过Link Pilot的三层计算筛选。

第一层：这个新品"像谁"？

系统不会凭空判断一款新品好不好卖。它先做一件更基础的事——在历史数据中寻找"相似结构"。类似品类的销售轨迹是怎样的？相近价格带的产品表现如何？同类消费人群的购买行为有什么规律？替代品和互补品之间存在什么关系？这一层本质上是在做"归类"，而不是"预测"。系统不回答"它会卖多少"，而是回答"它和谁长得像"。

第二层：它在哪些场景里可能成立？

在Link Pilot的体系里，点位不是地理坐标，而是消费模型。写字楼意味着功能型、稳定型消费；学校对应冲动型、高频零食消费；医疗场景偏向健康低糖导向；交通枢纽追求即时性。丰e足食覆盖超过100种消费场景，本质上就是在不断细分这些模型。新品通过第一层筛选后，会被分别投放到不同场景中进行转化概率测算——它在写字楼里活下来的概率是多少？在学校里呢？

第三层：它值不值得占一个柜位？

智能零售柜的空间是有限的。一个SKU的引入，本质上是一次"占位"。因此系统必须同时考量预期销量、周转效率、毛利贡献，以及对现有SKU的替代或补充关系。最终系统输出的不是简单的"是或否"，而是一个优先级排序——哪些新品该进，先进哪个场景，以什么节奏铺。

三重计算叠加，新品从"被判断"变成了"被计算"。决定它能不能上架的，不再是某个采购总监的经验，而是模型输出的概率和排序，也就是说，最终输出的不是“是否上新”，而是优先级排序。

一个关键变化：选品"前置化"，系统并没有消灭选品，而是改变了选品的路径

如果把这套机制放回零售业的历史坐标系里看，会发现一个深层变化。传统选品路径是线性的：品牌提案→渠道试销→人工复盘→扩大铺货。新品先进入市场，再通过市场表现来验证对错，试错成本由渠道和品牌共同承担。

而Link Pilot代表的路径是"前置化"的：系统建模→多场景评分→概率排序→决定是否进入网络。新品在进入实体货架之前，已经经历了一轮虚拟推演。系统在数据层面先"跑"一遍，判断它在不同场景下的存活概率，然后再决定是否给它一个真实的位置。

也就是Link Pilot更像是在做一件相对基础但关键的事情：把新品进入市场的路径，从经验驱动流程，变成概率驱动系统。两者差异不在效率，而在结构。传统模式是"先上架再说"，新模式的逻辑是"先算清楚再上架"。试错从物理世界转移到了数据世界。

值得留意的是，这并非意味着人类被完全排除在外。更接近现实的描述是"重排"：人类仍然参与决策，但角色从日常判断者转变为规则设计者和异常处理者。人类负责设定系统运行的规则框架、处理系统无法识别的极端情况、对齐品牌的长期战略方向，而日常的、大规模的、高频次的选品判断，被移交给了系统。

结语：选品从“讨论问题”终将变成“计算问题”

回到开篇的那个争论：零售选品，到底是人更准，还是系统更可靠？

丰e足食在招股书揭示了一个趋势：当零售网络足够大、足够分散时，经验的价值依然存在，但经验的位置变了——它从一线决策者，变成了系统规则的制定者。人不再回答"这款新品上不上"，而是回答"系统应该用哪些维度来判断一款新品该不该上"。

在丰e足食这张覆盖72个城市、近20万台设备、100多种场景的分布式网络中，选品决策机制在被重新书写：哪些新品，在哪些场景里，有更高的生存概率？

当选品从"讨论"变成"计算"，它就不再只是一个运营动作，而更像一个持续运行的系统函数。它不再只是决定"卖什么"，而是在参与定义"增长由什么构成"。

Link Pilot还有很长的路要走，但招股书已经揭示了一个已经被验证了方向：在智能零售的货架前，新品想上架，得先过系统这一关。至于人和算法谁更会选品，或许问题本身就问错了——未来真正的竞争，不是人与算法的竞争，而是"有系统的人"与"没有系统的人"之间的竞争。