minxin88 /
一个跑在 WorkBuddy 上的开源 Skill：接麦当劳中国官方 MCP，拉门店真实菜单、真实营养数据、真实可用优惠券，再用本地 Python 脚本穷举所有搭配，算出「最省 / 最健康 / 性价比最高」三套能直接下单的方案。 它只依赖 Python 标准库，不需要 pip install，也不需要 MCP Token 就能先跑一遍离线示例看效果。 为什么做这个项目？ 麦当劳的优惠券是满减、折扣、品类限定混着来的，单看每一张都懂，放在…
一个跑在 WorkBuddy 上的开源 Skill：接麦当劳中国官方 MCP，拉门店真实菜单、真实营养数据、真实可用优惠券，再用本地 Python 脚本穷举所有搭配，算出「最省 / 最健康 / 性价比最高」三套能直接下单的方案。 它只依赖 Python 标准库，不需要 pip install，也不需要 MCP Token 就能先跑一遍离线示例看效果。 为什么做这个项目？ 麦当劳的优惠券是满减、折扣、品类限定混着来的，单看每一张都懂，放在一起就不会算了。 举个真实的坑：手里有「满 40 减 10」和「汉堡 8.8 折」两张券。 买一个 25.5 元的汉堡：8.8 折省 3.06 元，满减用不了 → 折扣赢 买两个（51 元）：8.8 折省 6.12 元，满减省 10 元 → 满减赢 再加一份 12 元薯条凑到 63 元：薯条白买了 —— 券已经封顶在减 10，多花的 12 元一分没省 也就是说，哪张券最省、要不要凑单，完全取决于你这单的构成，没有标准答案。 再叠上「预算 45 元、热量不超 1100 kcal、蛋白质要 35 克以上」这类约束，满足条件的组合轻松上千套，人手不可能算完。 它是怎么工作的？ 核心设计是把「算」和「说」分开： 用户说人话 │ "两个人吃、50 块以内、别太油" ▼ 大模型理解意图 ──► 翻译成硬约束（预算/热量/蛋白质/忌口） │ ▼ 麦当劳 MCP 拉真实数据 ──► 门店菜单 / 营养 / 可用券 │ ▼ 本地 Python 脚本（无网络）──► 穷举全部组合 + 券最优匹配 │ ▼ 大模型组织成人话 ──► 三套方案 为什么不把枚举交给大模型？ 上千套组合的枚举是纯数学问题，不是语言问题。交给大模型：慢、贵、会算错钱；交给脚本：几毫秒出结果、可复现、零 token 消耗。 功能与特点 真实数据：菜单、价格、营养、优惠券全部来自麦当劳官方 MCP 实时接口，不内置任何硬编码数据表 券最优匹配：对每个组合遍历所有券，按「这一单实际能减多少」挑最省的那张（一张订单只能用一张券，不能简单挑面额大的） 三种口味排序：最省（实付升序）/ 最健康（热量蛋白质偏离度）/ 性价比（每 1 元换到的蛋白质克数） 零依赖：Python 3.9+，只用标准库，无网络请求 先试后配：内置离线示例数据，python scripts/optimizemeal.py --demo 无需 Token 即可跑出结果 有边界：不主动下单、不自动领券；涉及花钱的操作一律先让用户确认门店、取餐方式和商品清单 实测 2026-10-12 在深圳北站站内一店（早餐时段）真实跑过一次：约束为预算 ≤ 45 元、热量 ≤ 1100 kcal、蛋白质 ≥ 35 g，共枚举出 127 套可行组合，最省方案实付 29.4 元。
Discuss this product