hujjun/mcd-saver-strategist

选用指南

AI 根据 README 整理 · 2026/10/16 03:06:24

适用场景

适用于到店自取和外送场景，支持预算和热量硬约束，可处理多人拼单。

查看 README 依据

把 `skills/mcd-saver-strategist/` 整个目录复制到 WorkBuddy 的用户技能目录： ```bash cp -r skills/mcd-saver-strategist ~/.workbuddy/skills/ ``` （Windows 为 `%USERPROFILE%\.workbuddy\skills\`） 装好后在对话框里直接说「我想吃巨无霸套餐，怎么点最便宜」即可触发。 --- ## 使用示例 **示例 1 · 单人到店** > 用户：我想吃巨无霸 + 薯条 + 可乐，怎么最便宜？ 精算师：拉菜单 + 四路券池 → 优化 → 「1+1 随心配 ¥12.9 覆盖巨无霸和中薯条，另外单点可乐 ¥9， 合计 ¥21.90，比直选省 ¥25.10」。 **示例 2 · 预算硬约束** > 用户：30 块钱在麦当劳能吃到什么？ 精算师：以 `budget=30` 求解，返回在预算内的最优搭配，并列出各方案到手价与热量。 **示例 3 · 热量约束** > 用户：减脂期，想吃麦当劳，800 大卡以内还要便宜。 精算师：引入 `list-nutrition-foods`，以 `max_calories=800` 求解， 给出低卡又省钱的组合（如板烧鸡腿堡 + 麦咖啡 + 圆筒）。 **示例 4 · 外送**

> 用户：帮我在麦乐送点一份午餐，别超过 40。 精算师：`delivery-query-addresses` → `delivery-query-stores` → 后续流程同上， 下单前用 `calculate-price` 核价（含配送费）。 --- ## 命令行快速体验（无需 Token） 内置样例数据，可离线跑通完整优化流程： ```bash cd skills/mcd-saver-strategist/scripts # 看优化结果（默认到店自取场景） python optimizer.py # 同时输出结构化 JSON python optimizer.py --json # 外送场景：配送费计入总价，且仅外送可用的券参与优化 python optimizer.py --mode delivery --fee 9 # 预算 / 热量硬约束 python optimizer.py --budget 25 python optimizer.py --max-calories 800 # 跑 19 项自测（改逻辑后必跑） python selftest.py ``` --- ## 真实性对照表 | 项目 | 性质 | 说明 | |---|---|---|

目标用户

面向价格敏感的学生/上班族、减脂健身人群、家庭/多人拼单用户以及经常用券的羊毛党。

查看 README 依据

├── mcp-tools.md # MCP Tool 清单与字段映射 └── coupon-strategy.md # 5 类券建模与省钱策略 ``` --- ## 目标用户 - **价格敏感的学生 / 上班族**：想吃得划算，但懒得比价、算券。 - **减脂健身人群**：既要控制热量，又不想多花钱。 - **家庭 / 多人拼单**：需要在预算内配齐多人餐。 - **经常用券的"羊毛党"**：手里券多，需要最优组合方案。 --- ## 技术亮点 - **确定性优化，不靠大模型口算**：所有金额由 `optimizer.py` 计算或 MCP 返回。 - **保守的叠加策略**：宁少报优惠，也不给"到店付不出"的假低价。 - **场景感知**：券的 `channel`（到店/外送）过滤 + 外送费计入总价，到店和外送给不同最优解。 - **零依赖**：纯 Python 标准库，WorkBuddy 沙箱可直接运行；在线试算页同样零依赖、单文件。 - **可核验闭环**：下单前用 `calculate-price` 复核，方案 = 实付。 - **19 项自测**：核心逻辑有断言保护，可安全迭代。 --- ## 搜索关键词 <details>

使用方式

作为 WorkBuddy 的 Skill 使用，需配置麦当劳 MCP Token；也可通过命令行运行 optimizer.py 离线体验，或使用在线试算页。

查看 README 依据

C --> R[支付链接] ``` --- ## 一句话安装 ```bash git clone https://github.com/hujjun/mcd-saver-strategist.git && cp -r mcd-saver-strategist/skills/mcd-saver-strategist ~/.workbuddy/skills/ ``` （Windows 为 `%USERPROFILE%\.workbuddy\skills\`；MCP Token 配置见下文「安装」。） --- ## 安装 ### 1. 申请麦当劳 MCP Token 前往麦当劳 MCP 开放平台 https://open.mcd.cn/mcp ，手机号登录后在「控制台」激活并复制 Token。 ### 2. 配置 MCP 连接 在 WorkBuddy 左侧边栏【专家·技能·连接器】→【连接器】→ 右上角【自定义连接器】→【配置 MCP】中， 填入 [`mcp-config.example.json`](mcp-config.example.json) 的内容， 并把 `${MCD_MCP_TOKEN}` 替换为你的真实 Token（或用环境变量注入），保存后【启用】。 ### 3. 安装本 Skill

> 用户：帮我在麦乐送点一份午餐，别超过 40。 精算师：`delivery-query-addresses` → `delivery-query-stores` → 后续流程同上， 下单前用 `calculate-price` 核价（含配送费）。 --- ## 命令行快速体验（无需 Token） 内置样例数据，可离线跑通完整优化流程： ```bash cd skills/mcd-saver-strategist/scripts # 看优化结果（默认到店自取场景） python optimizer.py # 同时输出结构化 JSON python optimizer.py --json # 外送场景：配送费计入总价，且仅外送可用的券参与优化 python optimizer.py --mode delivery --fee 9 # 预算 / 热量硬约束 python optimizer.py --budget 25 python optimizer.py --max-calories 800 # 跑 19 项自测（改逻辑后必跑） python selftest.py ``` --- ## 真实性对照表 | 项目 | 性质 | 说明 | |---|---|---|

部署要求

需要申请麦当劳 MCP Token 并配置到 WorkBuddy 连接器；命令行体验无需 Token，但需要 Python 环境。

查看 README 依据

C --> R[支付链接] ``` --- ## 一句话安装 ```bash git clone https://github.com/hujjun/mcd-saver-strategist.git && cp -r mcd-saver-strategist/skills/mcd-saver-strategist ~/.workbuddy/skills/ ``` （Windows 为 `%USERPROFILE%\.workbuddy\skills\`；MCP Token 配置见下文「安装」。） --- ## 安装 ### 1. 申请麦当劳 MCP Token 前往麦当劳 MCP 开放平台 https://open.mcd.cn/mcp ，手机号登录后在「控制台」激活并复制 Token。 ### 2. 配置 MCP 连接 在 WorkBuddy 左侧边栏【专家·技能·连接器】→【连接器】→ 右上角【自定义连接器】→【配置 MCP】中， 填入 [`mcp-config.example.json`](mcp-config.example.json) 的内容， 并把 `${MCD_MCP_TOKEN}` 替换为你的真实 Token（或用环境变量注入），保存后【启用】。 ### 3. 安装本 Skill

> 用户：帮我在麦乐送点一份午餐，别超过 40。 精算师：`delivery-query-addresses` → `delivery-query-stores` → 后续流程同上， 下单前用 `calculate-price` 核价（含配送费）。 --- ## 命令行快速体验（无需 Token） 内置样例数据，可离线跑通完整优化流程： ```bash cd skills/mcd-saver-strategist/scripts # 看优化结果（默认到店自取场景） python optimizer.py # 同时输出结构化 JSON python optimizer.py --json # 外送场景：配送费计入总价，且仅外送可用的券参与优化 python optimizer.py --mode delivery --fee 9 # 预算 / 热量硬约束 python optimizer.py --budget 25 python optimizer.py --max-calories 800 # 跑 19 项自测（改逻辑后必跑） python selftest.py ``` --- ## 真实性对照表 | 项目 | 性质 | 说明 | |---|---|---|

已知限制

菜单价格和优惠券内容为示例快照，实际以门店实时返回为准；部分门店券仅到店可用；历史订单可能为空。

查看 README 依据

| 优化算法 | ✅ 真实 | `optimizer.py` 与在线试算页为同一套逻辑，结果可用上面命令复现 | | 「省 53%」结论 | ✅ 真实 | 算法在示例数据上算出，非人工编排 | | 券叠加规则 | ✅ 真实 | 保守策略：`stackable:false` 与任何券互斥，保证方案价 ≤ 实付价 | | 菜单价格 / 热量 | 🟡 示例快照 | 结构对齐 MCP 返回，数值为演示用，以门店实时返回为准 | | 优惠券内容 | 🟡 示例快照 | 结构对齐 MCP 四路券池归一化结果，可用性以账号实时状态为准 | | 下单能力 | ✅ 真实 | 经 MCP 核价（`calculate-price`）→ 下单（`create-order`），本仓库页面不涉及下单 | --- ## 实测发现 开发过程中用真实 MCP 联调得到的观察（2026-10，个人账号实测）： - **券要四路查全**：`query-my-coupons` 返回的是已入卡包的券；麦麦省的可领券需先 `auto-bind-coupons` 领取才会出现，门店券在 `query-store-coupons`。只查一个来源会漏掉最优组合。

- **券有场景属性**：实测部分门店券仅到店可用。优化器已支持 `channel` 字段（`pickup` / `delivery` / `any`），外送场景自动剔除不可用券，并把配送费计入总价参与预算判断。 - **历史订单可能为空**：`order-list` 在账号无历史订单时返回空列表，依赖它做推荐的功能必须有空态兜底。 - **营养数据可以直接用**：`list-nutrition-foods` 一次返回约 160 款餐品的多维营养数据，热量约束场景无需额外估算。 --- ## 目录结构 ``` . ├── README.md # 本文件 ├── CONTEST_DECLARATION.md # 参赛声明（官方原文，未改动） ├── MCP_INTEGRATION.md # MCP 集成说明：Tool 清单 / 调用流程 / 业务价值 ├── mcp-config.example.json # 脱敏 MCP 配置（仅环境变量占位符） ├── workbuddy.md # WorkBuddy 开发对话上下文 ├── LICENSE # MIT ├── docs/