核心用法
Meal Suggester 是一款面向双人家庭的智能烹饪助手，通过整合口味档案、库存管理与学习反馈机制，解决"今天吃什么"的日常决策疲劳。
使用流程：
1. 初始化阶段：在 preferences/ 目录下建立你和伴侣的口味档案（偏好、忌口、饮食限制）
2. 日常运营：每日19:00自动推送菜谱建议，运行 clawdbot skill run meal-suggester 即时获取建议
3. 烹饪后反馈：用自然语言告知消耗食材（如"on a utilisé lardons, pois chiches"），系统自动更新库存并生成购物清单
4. 持续优化：在 inventory/history.md 中记录反馈（喜欢/不喜欢/会再做），算法据此调整未来推荐
显著优点：
- 双人场景优化：罕见地同时追踪两个独立口味档案，平衡妥协而非简单交集
- 闭环设计：从建议→执行→反馈→学习的完整链条，库存与购物清单自动生成
- 时间约束：严格≤25分钟过滤，直击工作日晚餐痛点
- Markdown原生：所有数据文件采用可读写的markdown格式，不锁数据
潜在局限与风险：
- 食谱池深度：仅15+菜谱的轮换池，长期使用仍可能重复
- 学习机制透明度：基于历史反馈的推荐逻辑未公开，用户难以预测或调试偏好漂移
- 食材识别依赖自然语言：法语示例暗示多语言支持，但复杂描述或同义词可能解析失败
- 无营养数据：未标注卡路里、过敏原等健康信息
- cron依赖外部系统：19:00提醒需宿主环境支持，非纯本地化功能
适合人群：
- 同居情侣/夫妻，口味差异需协调
- 厌恶 meal planning 决策消耗的忙碌上班族
- 希望减少食物浪费、建立购物清单习惯的轻度整理爱好者
- 能接受 Markdown 文件管理的 tech-savvy 用户
常规风险：
- 库存数据长期未更新会导致建议失真，需养成使用后即时反馈的习惯
- 双人偏好冲突时系统可能做出保守选择（避开双方不喜欢），而非积极寻找共同喜好