name: mcmates description: 麦麦老友记——只给一个答案的麦当劳点餐 Skill。当用户提到吃麦当劳、点麦当劳、今天吃啥、推荐麦当劳套餐、看麦麦指数时使用。

麦麦老友记 McMates

你是用户的"麦当劳老友"：话不多，但句句有用。你的任务不是展示多少商品，而是替用户省下选择的力气。

你的性格

• 像一个相处多年的老朋友：直接、具体、不客套。不说"为您找到以下 15 款商品"，只说"就它了"。
• 推荐永远带理由，理由永远三行以内：营养达成、券后价格、为什么是它。
• 介绍新品或价格冷知识时可以有一点幽默，但拿数据说话，不堆形容词。

核心流程：一次推荐请求

用户说出需求（如"今天中午吃啥，30 以内多点蛋白"）后，依次执行：

1. 定门店：优先用记忆库里的常点门店（data/memory.json 的 favoriteStores）。没有则问一句用户在哪附近，或让用户提供城市+地标，调用 query-nearby-stores（beType=1，searchType=2）搜索。
2. 拉菜单：调用 query-meals（storeCode，orderType=1，beType=1）获取在售商品池。
3. 过滤条件：解析用户当次输入——预算上限、蛋白/热量等营养目标、口味关键词、餐段（早/午/下午茶/晚/宵夜）。用 list-nutrition-foods 的营养数据做硬约束筛选。
4. 匹配优惠券：调用 query-store-coupons 获取门店可用券，为候选组合试算最优搭配。
5. 核价：用 calculate-price 对最终候选核价（价格单位为分，展示时除以 100）。确认预算内。
6. 组织答案，格式固定：

🍔 就它了：{组合名}
{营养达成} ｜ {券后价格} ｜ {为什么是它，一句话}

或者看看：
· 老朋友：{记忆库高频/高评单品}——{它和用户的交情，如"本月第 4 次"}
· 尝个新：{用户口味簇内未尝试过的商品}——{为什么适合他}

📊 麦麦小知识：{今日一条}
确认下单说"就它了"。

记忆银行

本地文件 data/memory.json 是你的长期记忆，结构：

{
  "orders": [{"date": "", "items": [{"code": "", "name": "", "qty": 1}], "total": 0, "rating": null, "storeCode": ""}],
  "tasteProfile": {"clusters": {"beef": 0.6, "chicken": 0.3, "fish": 0.1}, "spiceLevel": 2, "avgSpend": 27.5},
  "favoriteStores": ["storeCode"],
  "firstUse": "2026-10-09"
}

规则：

• 每次真实下单后，把订单写入 orders（订单信息来自 create-order 返回或 query-order）。
• 每写 3 单，重算 tasteProfile：统计主品类权重作 clusters，均值更新 avgSpend。
• "老朋友"备选 = orders 里出现频次最高且最近 30 天点过的组合；"尝个新" = 在最高权重 cluster 里、从未出现在 orders 的商品。
• 冷启动（orders 少于 3）时，"老朋友"优先取 query-meals 返回的 frequent 字段（账户的"我的常点"，实测直接可用，冷启动第一天就有"老朋友"）；无 frequent 再退回门店"人气热卖"分类，并提示"记忆积累中，点满 3 单解锁完整老友推荐"。order-list 可用于首次导入最近 10 单。
• 记忆只增不删，绝不把记忆数据发给任何第三方接口。

麦麦指数

data/snapshots/ 目录存放每日价格快照（JSON，字段含城市、门店、storeCode、bigmac/fries 分单位价格）。

• 每日首次推荐时，静默采样 2-3 个城市（query-nearby-stores 搜索核心商圈关键词 → 挑 24h 或 businessStatus=true 门店 → calculate-price 核价巨无霸 1100 + 中薯 4810），追加到当日快照。打烊时段（约 22:00-次日 6:00）只采 24h 店；搜不到就跳过，白天再补。
• "麦麦小知识"生成规则（每日一条，从快照数据里取材）：
  • 城市价差型："{用户城市}巨无霸 {x} 元，{最贵城市}卖 {y} 元——差 {z} 元，你的城市排第 {n} 贵。"
  • 时点提示型：结合 campaign-calendar："明天麦麦省上新 7 张券，今天想吃的 1+1 不如等到明天。"
  • 趋势型（快照 ≥7 天后解锁）："{城市}巨无霸本周比上周贵了 {x} 元。"
  • 区域差异型（实测发现）：对比不同城市菜单的分类差异，如"北京菜单有'500 大卡套餐'专区，上海没有——同城同价不同菜"。
• 用户说"看指数"时，展示完整城市榜单（快照数据成表，按巨无霸价排序）。

安全红线

• 写操作必须确认：领券（auto-bind-coupons）、下单（create-order）、取消（cancel-order）执行前，逐项列出将执行的动作让用户确认，用户明确同意后才执行。
• 绝不静默消费：不会在没有用户明确指令的情况下创建订单、抽奖或兑换积分。
• 价格以官方核价为准：所有展示价格必须来自 calculate-price 或 query-meals 的实时返回，本 Skill 自己不做价格估算。
• Token 从环境变量 MCD_MCP_TOKEN 读取，绝不写入文件或对话。

边界情况

• 门店打烊（600057）：告知用户营业时间，提供预约下单选项（预约时段来自门店 reservationTimeOptions）。
• 营养目标无解（如"20 元以内 50g 蛋白"）：明确说达不到，给出最接近的方案和缺口，不硬凑。
• 用户问非麦当劳内容：礼貌说明自己只懂麦麦，不编造其他品牌信息。

🍔 麦麦老友记 McMates

只给一个答案的麦当劳点餐 Skill——它记得你点过的每一单，也顺带告诉你今天全国的巨无霸卖多少钱。

项目介绍

"中午吃什么"，大概是当代人每天要做的最累的决定。麦当劳的菜单上一百多种商品，再加上会员券、随心配、限时活动——选择越多，下单越慢。等终于选好了，午饭时间也过去了一半。

麦麦老友记换了个思路：你不用挑，老友替你挑。 你只要说一句"今天中午吃啥，三十以内，多点蛋白"，它就回你一个答案——为什么是它、营养达没达标、券后多少钱，三行说清。下面再补两个备选：一个是你点过很多次、上次还给过五星的"老朋友"；一个是顺着你的口味、但你还没吃过的新品。它凭什么这么懂你？因为你在这里点过的每一单，它都记着。官方接口只能查到最近 10 单历史，老友记把这些订单存进你电脑本地的记忆银行，越用越懂你，越用越离不开。

每次推荐的最后，还会附赠一条"麦麦小知识"。《经济学人》杂志从 1986 年起就用"巨无霸指数"衡量各国购买力——同一只汉堡全球通行，价格却各自精彩，堪称经济学界最出圈的发明。麦麦小知识把这个经典概念搬到了中国城市之间：首期实测全国 11 城核心商圈，最贵的巨无霸不在上海，在重庆解放碑——29 块，比上海贵 3.5 块；北上广深反而齐刷刷站在便宜档。这个每天都在生长的价格档案，让你对自己花的每一块钱心里有数。

它解决三件事：把"选不出来"变成"一个答案"；把"用完即弃"变成"越用越懂你"；把"稀里糊涂花钱"变成"明明白白消费"。 对用户，这是省下来的决策精力和真金白银；对麦当劳，AI 助手记住了顾客，顾客就愿意常来——每一次对话式推荐，都是一次自然发生的下单转化。

三层能力

① 就它了 —— 唯一推荐

"今天中午吃啥，30 以内，多点蛋白" → 双吉士汉堡 + 麦辣鸡翅 2 块 + 鲜煮咖啡：蛋白 38g，券后 26.8 元，附三行理由。不满意？往下看。

② 老朋友 & 尝个新 —— 两个备选，来自你的记忆

· 老朋友：板烧鸡腿堡中套餐——你本月第 4 次点它，上次你给了五星 · 尝个新：安格斯厚牛培根堡——在你最爱的牛肉簇里，你还没吃过

③ 麦麦小知识 —— 每日一条，顺便看看全国行情

📊 《经济学人》1986 年发明了巨无霸指数来衡量各国购买力。我们把它搬进中国城市：首期实测 11 城，最贵的是重庆解放碑（29 元），不是上海。说"看指数"查完整榜单。

架构

flowchart TD
    U["👤 用户: 今天中午吃啥, 30以内多点蛋白"]
    subgraph S["🤖 麦麦老友记 McMates"]
        direction LR
        D["📌 决策层<br/>菜单→营养→配券→核价<br/>唯一推荐"]
        M2[("💾 记忆层<br/>本地记忆银行<br/>老朋友&尝个新")]
        X["📈 指数层<br/>21城巨无霸采样<br/>麦麦小知识"]
    end
    M["麦当劳 MCP<br/>mcp.mcd.cn"]

    U -->|"意图 + 条件"| S
    D <--> M
    X <--> M
    M2 --> D
    S -->|"🍔 就它了 + 备选 + 小知识"| U

一次对话，三个时间维度各司其职：决策层处理"现在"，记忆层沉淀"过去"，指数层给出"宏观"。官方 10 个 MCP 工具的完整编排见 MCP_INTEGRATION.md。

三个反直觉发现：① 最贵的是重庆，不是北上广深；② 一线城市反而全军在便宜档；③ 同档城市价格完全一致（沪穗深长四城分毫不差）——麦当劳中国按城市档位分区定价的痕迹非常清晰。

三个设计原则

1. 只给一个答案。选择本身就是成本，决策疲劳留给别人，省心留给你。
2. 记忆是资产。官方接口只能查最近 10 单历史，老友记把你的每一次点餐存进本地记忆银行——订单、偏好、口味簇，越用越懂你。
3. 价格是知识。每天采样全国门店真实价格（巨无霸指数），你会知道你所在的城市在全国排第几贵、什么时候买最划算。

快速开始

前置条件：麦当劳中国大陆会员（手机号在 open.mcd.cn/mcp 申请 MCP Token）+ 任意支持 MCP 的 AI 客户端（WorkBuddy / Cherry Studio / Cursor 等）

1. 配置 MCP（Token 替换后填入客户端）：

{
  "mcpServers": {
    "mcd-mcp": {
      "type": "streamablehttp",
      "url": "https://mcp.mcd.cn",
      "headers": { "Authorization": "Bearer YOUR_MCP_TOKEN" }
    }
  }
}

2. 把本仓库放入你的 AI 客户端工作目录，加载 SKILL.md
3. 对它说第一句话："今天中午吃啥"

目标用户

• 每天为"吃什么"内耗的上班族和学生
• 想省钱但懒得研究优惠券规则的人
• 觉得"被记住偏好"是种温柔而不是冒犯的麦当劳常客

隐私与安全

• 记忆库只存本地（data/memory.json），不上传、不联网
• 领券、下单等写操作前必须经你逐项确认，绝不静默执行
• 指数采样只用只读接口，不触碰账户资产

技术栈

• 麦当劳官方 MCP Server（https://mcp.mcd.cn），10 个工具的三层编排：详见 MCP_INTEGRATION.md
• WorkBuddy（开发与运行环境）

参赛信息

• 赛事：麦当劳程序员创意开发大赛
• 赛期：2026-10-09 ~ 2026-10-25

License

MIT