name: mcd-chill description: 麦麦冷静期 —— 在下单前对购物车做热量/钠/脂肪/复购/情境五项体检，给出「可以吃 / 换个搭配更稳 / 再想想」的确定性判决。当用户说"我要点麦当劳这几个""帮我看看这顿能不能吃""算算这单热量""我最近麦当劳花了多少钱"时使用。基于麦当劳中国 MCP 的只读工具，不自动下单。 version: 0.1.0 license: MIT

麦麦冷静期 (mcd-chill)

这个 Skill 是干什么的

用户准备下单麦当劳时，读一遍他的真实数据，给出三件事：

1. 这单的实际负担 —— 热量 / 蛋白 / 脂肪 / 碳水 / 钠，以及占每日预算的比例
2. 习惯性问题 —— 近 7 天有没有重复点过同一单品
3. 可避免的浪费 —— 卡包里的券这单能不能用、有没有更划算的同类替换

判决是确定性规则引擎算出来的（不是 LLM 编的），同样输入永远同样输出。

什么时候用

• 用户列出几个麦当劳餐品说要吃 / 问"这顿怎么样"
• 用户问"帮我看下这单热量""这顿会不会太胖"
• 用户问"我最近麦当劳点了多少单 / 花了多少钱"
• 用户想查某个餐品的营养数据

不适用：用户明确要求直接下单、改单、取消订单 —— 本 Skill 只读，不做写操作。

怎么用

前置条件

需要麦当劳 MCP Token（https://open.mcd.cn/mcp 手机号登录后在控制台激活）， 并设置在环境变量 MCD_MCP_TOKEN 中。

执行方式

在项目根目录运行（零第三方依赖，Python 3.10+ 即可）：

# 下单前体检 —— 把用户提到的餐品名称接在后面
python src/cli.py 巨无霸 中薯条 可乐中杯

# 只要机器可读结果时加 --json
python src/cli.py 巨无霸 中薯条 --json

# 用户问消费情况
python src/cli.py ledger

# 用户问营养数据
python src/cli.py lookup 巨无霸 --fuzzy

参数约定

• 用户说了数量就加 --qty，例如「两个巨无霸」→ --qty 2
• 用户提到在控糖 / 减脂，把 --budget 调低（如 1600），并说明这是你替他设的
• 餐品名对不上时，CLI 会打印模糊匹配候选，选最接近的重新调用，不要自己编造餐品

输出要求

拿到 CLI 结果后，不要复述整张卡片。只讲这三句：

1. 判决是什么（可以吃 / 换个搭配更稳 / 再想想）
2. 最该注意的那一项超标，以及具体数字
3. 如果 CLI 给了替换建议，说一条最值得换的

保持中立，不要说教。用户是来吃麦当劳的，不是来戒麦当劳的。

边界

• 只调用只读 Tool。不要调用 create-order / cancel-order / draw-lottery / mall-create-order。
• 不构成医疗或营养建议，涉及健康决策时提醒用户咨询专业人士。
• 判决只反映数据，不替用户做决定。

麦麦冷静期 · mcd-chill

别的工具帮你更快下单，这个工具帮你别下错单。

基于麦当劳中国 MCP 的纯 Python 点餐前体检器 —— 在你点"提交订单"之前， 用你自己的真实数据算清三笔账：这单吃了多少、你是不是又在重复、那张券为什么没用上。

它解决什么问题

麦当劳 MCP 已经能把「查菜单、算价、领券、下单」交给 Agent 了。 但真正的痛点不在动作层，在下单前那一瞬间的犹豫：

上表右列是各项体检能给出的结论类型，具体数值取决于你的实际订单。

实际运行效果

==========================================================
  麦麦冷静期   下单前 30 秒，先读一下你的账
  门店：麦当劳（门店信息已脱敏）
==========================================================

  购物车  巨无霸  中薯条  可乐中杯
  合  计  949 kcal · 蛋白 31 g · 脂肪 38 g · 碳水 116 g · 钠 1126 mg

  判  决  [WARN]  换个搭配更稳    风险分 7 / 15
          有 1-2 项超标，换一下更舒服

  1. 热量体检      +1   这单 949 kcal，占 2000 kcal 日预算的 47%（单餐合理线 40%）
     -> 把中薯换小薯，或饮料换无糖可乐，能砍掉约 120 kcal
  2. 钠体检       +2   钠 1126 mg，占每日建议上限 2000 mg 的 56%
     -> 酱料少放、把腌制品换成原味肉饼能明显降钠
  3. 脂肪体检      +3   脂肪 38 g（单餐参考线 35 g）
     -> 油炸类换成烤制/板烧类，脂肪能降三成
  4. 重复体检           没有历史订单，暂时无法判断你的复购习惯
  5. 情境体检      +1   这单没有可用券
     -> 下单前去麦麦省一键领券，常能再省几块

  替换建议
    巨无霸 -> 原味板烧鸡腿炒双蛋堡   省 94 kcal（蛋白 27 g）
    巨无霸 -> 双层吉士汉堡   省 84 kcal（蛋白 27 g）
    巨无霸 -> 双层原味板烧鸡腿麦满分   省 158 kcal（蛋白 23 g）

----------------------------------------------------------
  数据来自麦当劳 MCP · 输出仅供参考，不构成营养或医疗建议

五个体检项怎么算

判决不是拍脑袋，是一套确定性的规则引擎（src/verdict.py），跑一次只要几百毫秒，结果可复现。

判决线：0–3 分「可以吃」 / 4–7 分「换个搭配更稳」 / 8–15 分「再想想」。

重复体检依赖 order-list 的历史订单。账号没有历史订单时该项不扣分， 并在输出中如实标注「没有历史订单，暂时无法判断你的复购习惯」—— 上面那段演示输出就是这种情况。

替换建议只在同品类内给（汉堡换汉堡、配餐换配餐）， 避免出现「巨无霸 → 炸鸡翅」这类没有参考价值的建议。

快速开始

1. 申请麦当劳 MCP Token

访问 https://open.mcd.cn/mcp → 手机号登录 → 右上角「控制台」→「激活」→ 复制 Token。

2. 配置环境变量

# macOS / Linux
export MCD_MCP_TOKEN="你的 Token"

# Windows PowerShell
$env:MCD_MCP_TOKEN = "你的 Token"

也可以直接写进 MCP 客户端的配置里（见 mcp-config.example.json）：

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

3. 跑起来

零依赖，不需要 pip install 任何东西（只用 Python 标准库，Python 3.10+）。

git clone https://github.com/yhyxzl/mcd-chill.git
cd mcd-chill

# 下单前体检（默认命令，直接把餐品名接在后面）
python src/cli.py 巨无霸 中薯条 可乐中杯

# 自定义每日热量预算
python src/cli.py 巨无霸 中薯条 --budget 1800

# 只看账本
python src/cli.py ledger

# 查营养库
python src/cli.py lookup 巨无霸 --fuzzy

# 查门店在售餐品
python src/cli.py menu --store <你的门店编号>

# 生成一张可截图分享的卡片（自动脱敏门店信息）
python src/cli.py 巨无霸 中薯条 --share --html out/card.html --open

命令说明

verdict 的参数：

生成分享卡片

上图就是 --html 的输出。截图发出去之前记得加 --share —— 门店名会暴露你常去的位置，脱敏后只会显示「麦当劳（门店信息已脱敏）」。

python src/cli.py 巨无霸 中薯条 可乐中杯 --share --html out/card.html --open

卡片是单文件 HTML，不含任何外部资源（无 CDN、无外链字体）， 生日色块用的是麦当劳品牌红 #DA291C。

项目结构

mcd-chill/
├── src/
│   ├── mcd_mcp.py      # 零依赖 MCP 客户端：Streamable HTTP + JSON-RPC + SSE 兼容
│   ├── nutrition.py    # 解析 list-nutrition-foods 的紧凑表格格式 + 品类分组
│   ├── ledger.py       # 历史订单 → 消费账本 / 复购统计 / 默认门店反推
│   ├── verdict.py      # 5 项体检 + 判决规则引擎
│   ├── report.py       # 判决结果 → 可截图分享的单文件 HTML 卡片
│   └── cli.py          # 命令行入口与终端渲染
├── scripts/
│   └── probe.py        # 联调探针：把只读 Tool 的真实响应落盘，便于校准解析
├── tests/
│   └── test_mcd_chill.py   # 29 项单元测试，纯函数、不联网、不需 Token
├── docs/
│   └── demo-card.png   # README 里那张卡片的源图
├── .github/workflows/ci.yml
├── SKILL.md            # WorkBuddy Skill 定义
├── MCP_INTEGRATION.md  # MCP 集成说明与联调发现
└── mcp-config.example.json

测试

单元测试覆盖了解析器、账本、判决引擎和卡片渲染，全部离线运行、不需要 Token：

python -m unittest discover -s tests -v

Ran 29 tests in 0.017s

OK

其中几条是针对联调踩过的坑写的回归测试：

• test_extract_from_nested_mcp_result —— 防止再从 content[0].text 取到说明文字
• test_replacement_stays_in_same_group —— 防止再出现「巨无霸 → 炸鸡翅」的跨品类建议
• test_cold_start_without_history_is_honest —— 无历史订单时必须如实说明，不能编造复购次数
• test_html_is_self_contained_and_masked —— 卡片不得引入外部资源，且必须完成门店脱敏

设计取舍

为什么不用 LLM 做判决？ 体检逻辑本身是确定的算术，交给 LLM 只会引入不确定性、延迟和成本。 本项目的判断链路完全由规则驱动 —— 同样的输入永远得到同样的判决， 便于用户复核，也便于自己写测试。LLM 适合用在"帮我把话说好听"， 不适合用在"这单该不该吃"。

为什么用标准库手写 MCP 客户端，而不装 SDK？ 一是让 Skill 可以脱离任何 AI 客户端独立运行（python src/cli.py 即可）； 二是这个过程中把 McD MCP 的几个真实坑都摸清了（见 MCP_INTEGRATION.md 第四节）， 这些约束对后续基于麦当劳 MCP 开发的人都有效。

为什么只做只读？ 自动下单这类写操作风险太高，一次误判就是真金白银。 本项目只读数据、只给建议，最终按不按下单键永远在用户手里。

为什么会专门做一个 --share？ 因为门店名会暴露你常去的位置，而这个工具天然就是用来截图分享的。 隐私保护不该指望用户记得手动涂改，所以内建了脱敏开关。 同理，联调产物目录 probe_out/（会落盘真实账号响应，含 accountId） 已在 .gitignore 排除，不会被误提交。

免责声明

• 本项目为麦当劳程序员节创意开发大赛参赛作品，由参赛者独立开发，非麦当劳官方产品。
• 项目输出仅供参考，不构成医疗、营养或其他专业建议； 餐品信息、价格及供应状态以麦当劳官方渠道的实时结果为准。
• 本项目仅调用麦当劳 MCP 的只读工具，不会自动下单或操作你的账户资产。

License

MIT