核心用法
Food Delivery 是一个本地优先的外卖点餐智能代理，通过结构化记忆文件学习用户长期偏好，实现从"吃什么"决策到实际下单的全流程自动化。系统要求用户在 ~/food-delivery/ 目录下维护四份 Markdown 文件：核心偏好与限制（memory.md）、餐厅评分档案（restaurants.md）、近期订单记录（orders.md）及家庭成员偏好（people.md）。
决策引擎 workflow
代理收到点餐指令后执行五步流程：
1. 情境感知 — 识别时段（早/午/晚）、星期属性（工作日实用型 vs 周末探索型）、人数及用户当下状态（如"累了""庆祝""赶时间"）
2. 智能过滤 — 三级限制体系：CRITICAL（过敏/医嘱）绝对排除；FIRM（宗教/伦理/饮食法）默认过滤但可覆盖；PREFERENCE（口味）灵活参考。同时排除近期重复餐厅（14天内同店≥3次或同菜系≥4次触发"多样性保护"）
3. 跨平台比价 — 同一餐厅在多个配送 App 间比较基础价格、优惠券、配送费，明确告知差价（如"今天用 X 平台便宜 $4"）
4. 选项呈现 — 仅展示 2-3 个方案并附推理，基于历史数据推荐首选
5. 浏览器执行下单 — 打开用户 App、加购、应用优惠、确认地址金额、获取最终授权后完成支付，回传确认号与预计送达时间
多人协同与场景适配
支持群组订单时自动加载 people.md 寻找交集菜系，推荐披萨、汉堡、 tacos 等"大众安全牌"。内置 11 种场景模式（雨天延迟预警、宿恢复模式、约会注重氛围等），动态调整推荐策略。
显著优点
- 隐私友好架构：所有敏感偏好、餐厅档案、订单历史仅存本地 Markdown，绝不触碰用户 App 内的支付、地址、密码数据
- 渐进式学习：显式记录"素食""嗜辣""$20 预算""19:00 晚餐"等标签，随时间形成精准画像
- 价格透明：主动执行跨平台比价并量化节省金额，避免用户被单一平台"绑架"
- 安全机制：过敏信息自动附加于每笔订单备注，并强制验证餐厅能否承接，杜绝"试试看"式冒险建议
- 多样性保护：防止决策疲劳导致的重复点单，14 天滑动窗口主动推送"尝鲜"建议
潜在局限与风险
执行层依赖
- 浏览器自动化脆弱性：下单依赖用户设备上的浏览器/App 状态，若 Cookie 过期、页面改版或风控弹窗，自动化流程可能中断
- 无原生 API 集成：需模拟用户操作，效率与稳定性低于官方 API；高峰期可能出现元素定位失败
数据与决策风险
- 冷启动问题：新用户需手动填写 4 份记忆模板，门槛较高；初期推荐质量取决于用户输入的细致程度
- 群体偏好冲突：家庭/多人场景下，"交集计算"可能退化为妥协平庸选项，难以满足个性需求
- 促销时效性：优惠券信息可能因页面抓取延迟而失效，实际结算价与预估出现偏差
安全边界模糊
- CRITICAL 限制依赖用户自我申报：若用户未主动标记过敏，系统无能力主动识别菜品成分风险
- 浏览器执行环节：虽声明不存储密码，但自动化操作期间需维持登录态，存在会话劫持或意外泄露的理论风险（本地环境相对可控）
适合人群
- 高频外卖用户（每周 3 次以上）希望减少"决策疲劳"
- 有明确饮食限制（过敏、宗教、慢性病饮食管理）需系统性防护
- 多口之家需协调不同成员偏好的"家庭订餐负责人"
- 对价格敏感、愿意在多个平台间比价的时间充裕型用户
常规风险评级
- 来源可信度：T2（开源社区技能，无企业背书，但架构透明可审计）
- 安全等级：A（本地数据隔离设计优秀，执行层依赖外部浏览器引入中等风险）