别的工具告诉你「该点什么」。麦途做的是相反的事——读懂你已经点的。
在线预览 → https://calmsprite2001.github.io/mcd-mailu/
不用装任何东西、不用申请 Token，打开就是一张由 88 单样本生成的足迹卡。
基于麦当劳官方 MCP 的消费轨迹与场景叙事 Skill。读取你的历史订单，识别出「这次在机场」「这次是赶早班」「这次在机场连点了两单」，把你的麦当劳历史讲成一个每句话都能回溯到真实订单的故事，输出一张可截图分享的轨迹卡。
麦当劳程序员创意开发大赛参赛作品。
| 用户 | 场景 |
|---|---|
| 麦当劳常客 | 想知道一年到底吃了多少次、钱花在哪、最常点哪几样 |
| 一年只吃几次的人 | 这类人反而更有故事——次数少，每一次都有原因（机场、赶早、加班） |
| 出差与通勤人群 | 在陌生城市把麦当劳当锚点的人，门店名就是他们的行程记录 |
| 愿意分享的人 | 卡片是单文件、可截图、带结论，不需要解释就能发出去 |
| 开发者 | 想找一个「MCP 不只用来查数据、还能用来理解生活」的参考实现 |
不适合谁：想用它点餐、领券、比价的人。麦途只读历史，不干预任何下单动作。
大赛里绝大多数作品在解决「帮你点」：点餐助手、省钱助手、营养助手、派对策划。这些方向都很好，但已经挤满了。
麦途补的是另一端，也是被所有人忽略的一端：已经发生的消费里有什么。
麦当劳订单里最被低估的两个字段是门店名和下单时间：
- 店名里藏着「机场」「火车站」「写字楼」「医院」——你当时在哪
- 时间里藏着早班机、深夜加班、周末遛娃——你为什么在那
把这些线索拼起来，一笔笔冷冰冰的订单就变成了能讲的故事。这是 MCP 数据用法的另一种可能：不是查询接口，是理解生活的原料。
不开 Token、不连网络，直接打开 docs/index.html 就能看到完整效果。它由 fixtures/demo_orders.json 里 88 单人工构造的样本生成。
同一套代码，两种讲述方式：
样本少时讲轨迹（真实测试账号，4 单，11 个月）：
11 个月里你吃了 4 次麦当劳——2 次都在路上。
2025-11-15 17:23，麦当劳成都天府机场GTC餐厅，¥38：板烧鸡腿堡三件套（出行慰藉、新店打卡） 2025-11-15 17:35，同一家店，¥9.5：黑金奶黄年糕风味派（出行慰藉、一单多点） 最拼的一次：2025-11-15，距上一单 12 分钟、同店，连吃两单。
样本够时讲画像（88 单）：
6 个月，88 次，你是天涯路人。
88 单，共 ¥1793.8，平均每单 ¥20.4。 26/88 单在机场或火车站——这些地方从不是你的目的地。 点得最多的三样：中薯条×31、中可乐×18、香芋派×11。
卡片上的每一句话，都必须能回溯到至少一条真实订单。
这是产品的命根子。所以：
- 数据里没有的餐品，文案里一个字都不出现（比如知道你没点过可乐，就不会说「配一杯可乐」）
- 每个数字都带
evidence（订单号集合），校验不过就不写 - 样本不足 10 单时不装统计，改成按时间讲每一次，宁可朴素也不虚构
git clone https://github.com/calmsprite2001/mcd-mailu.git
cd mcd-mailu
python scripts/run.py --demo
# 直接用浏览器打开 docs/index.html零依赖，纯标准库，Python 3.10+。
- 到 https://open.mcd.cn/mcp 用手机号登录，控制台激活并复制 MCP Token
- 设环境变量：
export MCD_MCP_TOKEN=你的Token- 在 WorkBuddy / Cherry Studio / Cursor 中配置 MCP 连接器（配置见
mcp-config.example.json） - 直接跑：
python scripts/run.py或者在 WorkBuddy 里说一句「看看我的麦当劳足迹」，Skill 会自动接管。
order-list ──┐
mall-order-list ──┼─→ 清洗归一 ─→ 场景识别 ─→ 模式识别 ─→ 叙事生成 ─→ HTML 轨迹卡
now-time-info ──┘ （状态/去重/ （每单打标签 （按到访口径） （每句带 evidence）
金额/时间） 带 evidence）
关键设计：按「到访」而不是「按订单」统计。 在机场候机 12 分钟连点两单，是「1 次到访、2 个订单」，不是「去了两次机场」。不做这层合并，画像会被连点污染——这个坑是实测时发现的。
所有识别规则都在 references/scene_rules.md，透明可查。欢迎 PR 补充新场景。
词典越厚，能认出的故事越多。这是本项目的护城河：不是模型多强，是场景库多细。
- 订单明细不落盘，全部内存计算，输出只有聚合结果与场景标签
- 卡片里不出现完整订单号、手机号、地址（门店名保留，它是故事的一部分）
- Token 只从环境变量读，不打印、不进文件、不进日志
fixtures/全部是人工构造的假数据
order-list没有分页参数，一次返回全量。重度用户的历史是否会被服务端截断，未能验证。- 订单明细没有单品单价，只有订单总额，所以无法计算单品花费，只能统计出现频次。
- 城市识别未实现。跨城判断目前靠店名关键词（机场/车站）间接推断。
SKILL.md Skill 定义与工作流判据
scripts/
mcp_client.py 麦当劳 MCP 客户端（仅标准库）
probe.py 字段探测器（实测校准用）
money.py 金额/时间归一化
adapters.py MCP 返回 → OrderRecord
scene_engine.py 场景标签与模式识别
narrative.py 叙事生成（带 evidence）
card_render.py HTML 轨迹卡
run.py 主流程（支持 --demo）
gen_fixture.py 演示数据生成器
fixtures/demo_orders.json 88 单人工构造样本
references/scene_rules.md 场景识别词典（欢迎补充）
docs/index.html 离线演示页
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。输出仅供参考，不构成消费建议；餐品信息、价格及供应状态以麦当劳官方渠道实时结果为准。