基于 麦当劳中国 MCP（McDonald's China MCP） 开发的省钱点餐 Skill / AI 智能体技能： 把「菜单 × 优惠券 × 叠加规则」的组合优化交给确定性算法， 让每一顿麦麦都点得明明白白、省得清清楚楚。 又名：麦门省钱精算师 / 麦当劳省钱点餐助手 / MCD Saver Strategist。

麦当劳程序员创意开发大赛参赛作品 · 非麦当劳官方产品。

用户说"我想吃巨无霸套餐，怎么最便宜"，它拉取门店菜单和所有可用优惠券， 用算法穷举出总价最低的合规组合，并帮你下单。

示例：巨无霸 + 中薯条 + 可乐，直选 ¥47.00； 用「1+1 随心配」组合后 ¥21.90，省 ¥25.10（53%）。

它不止会算"最便宜"，还能回答四个衍生问题：

🎮 在线试算（无需登录）：https://hujjun.github.io/mcd-saver-strategist/ —— 优化算法的前端完整复刻，选好想吃的、切换目标、拖动预算和热量上限，实时算出最优组合； 页面里还有券体检和帕累托前沿图，打开即玩。

🔎 静态示例：docs/demo.html · 🖼️ 原理图：images/how-it-works.png · 🎬 宣传动画：images/promo.mp4

麦当劳的优惠是典型的组合爆炸问题：

• 菜单几十项、优惠券动辄十几张、叠加规则各不相同；
• 用券还要考虑「为凑满减而加购是否划算」；
• 用户懒得算，大模型也容易算错（价格、折扣、叠加口算不可靠）。

本 Skill 的核心洞察是：取数交给 MCP，算术交给代码，表达交给 Agent。

flowchart TD
    U[用户: 想吃X, 预算Y, 热量Z] --> A[WorkBuddy Agent]
    A -->|now-time-info| M[麦当劳 MCP<br/>mcp.mcd.cn]
    A -->|nearby/delivery stores| M
    A -->|query-meals / meal-detail| M
    A -->|auto-bind + 3路券池| M
    A -->|list-nutrition-foods| M
    M --> N[归一化<br/>menu/coupons/request.json]
    N --> O[optimizer.py<br/>确定性组合优化]
    O --> P[Top-N 最优方案]
    P --> A
    A -->|calculate-price 核价| M
    A --> Q{用户确认?}
    Q -->|是| C[create-order]
    Q -->|否| P
    C --> R[支付链接]

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」。）

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。

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 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】。

把 skills/mcd-saver-strategist/ 整个目录复制到 WorkBuddy 的用户技能目录：

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。

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）。

示例 5 · 券太多不会用

用户：我有 8 张券，帮我看看哪张值得用。

精算师：四路券池归一化 → audit_coupons() 逐张体检 → 「1+1 随心配值得用；这张'满 35 减 7'名义省 7 元，但用了它就吃不到 1+1，反而多花 18 元」。

示例 6 · 凑单

用户：还差多少能到满减？加个什么划算？

精算师：suggest_gap() 用子集和 DP 找最小代价补位 → 「还差 7 元，加个香芋派 7.5 元，多减 12 元，净省 4.5 元」。

示例 7 · 多人拼单

用户：我们 3 个人各要一份，一共多少钱？

精算师：party_size=3 求解 → 总价 + 人均，优惠只计一次（保守计价，不报假低价）。

内置样例数据，可离线跑通完整优化流程：

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

# 一键看 7 个真实场景（含拼单 / 外送 / 券体检 / 凑单）
python demo.py

# 切换点餐目标: cheapest(默认) / balanced / lightest / fewest
python optimizer.py --objective lightest

# 多人拼单
python optimizer.py --party 3

# 券体检: 每张券的名义面额 vs 实际节省 vs 机会成本
python optimizer.py --audit

# 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 46 项自测（改逻辑后必跑）
python selftest.py

# 性能基准: 菜品 10~160 款规模下的耗时
python bench.py

# 真实 MCP 连通自检（需 Token, 证明数据链路是真的）
export MCD_MCP_TOKEN=你的token
python mcp_probe.py --call now-time-info

# 前后端对拍: 页面试算器与 optimizer.py 是否一致（需 Node）
node parity_check.mjs

对照《麦当劳程序员创意开发大赛活动规则》逐条自查（自查日期 2026-10-19）：

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。
• 名义面额 ≠ 实际节省：实测里最贵的不是"假券"，而是"小券挤掉大组合"——每张券单看都在省钱，但用了它就吃不到 1+1 随心配。券体检的"机会成本"指标就是为此设计的。

.
├── 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
├── .github/workflows/ci.yml       # CI: 46 项自测 + 前后端对拍 + 性能基准
├── docs/
│   ├── index.html                 # 可交互在线试算（多目标 + 券体检 + 帕累托图）
│   ├── demo.html                  # 静态示例快照
│   └── preview.png                # 在线试算页整页截图
├── images/
│   ├── how-it-works.svg / .png    # 「省 53% 是怎么算出来的」原理图
│   └── promo.mp4                  # 宣传动画（AI 生成，仅作视觉物料）
└── skills/mcd-saver-strategist/   # ← Skill 本体
    ├── SKILL.md                   # 技能指令（Agent 加载）
    ├── scripts/
    │   ├── optimizer.py           # 确定性优惠组合优化器 v2（纯标准库）
    │   ├── selftest.py            # 46 项自测
    │   ├── demo.py                # 7 个真实场景一键演示
    │   ├── bench.py               # 性能基准（规模 × 耗时）
    │   ├── mcp_probe.py           # MCP 连通自检（握手 / 工具清单 / 试调用）
    │   ├── parity_check.mjs       # 前后端对拍（页面引擎 = optimizer.py）
    │   └── sample_data/           # 离线示例：菜单/券/请求
    └── references/
        ├── 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

• 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，还想知道哪张券不值得用。

• 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。
• 多目标优化：4 种点餐目标都先以「最低到手价」为价格锚，只在容忍带内做次级优选，不会为了"更均衡"报出贵得离谱的方案。
• 券体检（机会成本）：名义面额 / 实际节省 / 机会成本三个口径，把"小券挤掉大组合"这种最容易被忽略的代价显式标出来。
• 凑单建议 = 子集和 DP：不是简单推荐最便宜的单品，而是算出"补上差额的最小代价组合"，并给出净变化（可能为负 = 加购反而更省）。
• 保守计价：拼单优惠只计一次、stackable:false 一律互斥、凑单先过互斥校验——宁少报优惠，不给假低价。
• 帕累托前沿：价格 × 热量的不可支配解集（O(n log n) 扫描），把"想更省就要多吃多少热量"讲清楚。
• 前后端一致：页面试算器是 optimizer.py 的复刻，CI 里 17 项对拍防两份实现漂移。
• 真实可验证：mcp_probe.py 现场验证 Token 与 35 个工具；46 项自测 + 7 项 CI 关卡。
• 零依赖：纯 Python 标准库，WorkBuddy 沙箱可直接运行；页面单文件零依赖。
• 性能可控：搜索空间三层裁剪，160 款菜品 × 12 张券约 260ms（见 bench.py）。

本项目为麦当劳程序员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。使用麦当劳 MCP 服务须遵守其《使用条款》与《麦当劳 MCP 服务规则》。

MIT License（见 LICENSE）。