agentleFS
dotacloverdotaclover/clover-skills/workbuddy-food/SKILL.md

workbuddy-food

Skill0 starsChanged 3 days agoMITView on GitHub

定位具体城市商圈里「某道菜/某家店」能直接落地的推荐——收集候选,逐店核验门牌地址、目标菜是否真是招牌、人均、营业时间,剔除同名异地与过期数据,再用脚本落库、判定、按时段(早/午/晚/宵夜)输出带营业时间的决策表。自带 radar.py 管理候选池,跨会话不丢数据。适用于「XX 最好吃的是哪家」「附近有什么好吃的」「这家还开着吗」「值不值得专门跑一趟」「这几家怎么选」「帮我排个吃法」等场景,也可在探店前做行前核查。不适用于菜谱做法、连锁快餐菜单咨询、纯打卡攻略清单(那类不需要落地精度);不提供口味排名,只核验可验证的事实。

The file

Files
SKILL.md

美食雷达

把「最好吃」这种主观问题,拆成可核对的事实:店在不在、菜是不是它的、还开不开、多少钱。主观评价留给用户,客观项必须查实。

完整闭环,不依赖其他技能。候选来源可以是用户直接报的店名、网页搜索、或联网 AI——AI 只是「提供线索的人」,不是证据,也不需要先跑任何审计。

该用 / 不该用

场景判断
「江南西最好吃的炒牛河是哪家」✅ 主场景,走完整流程
「这家还开着吗 / 值不值得专门跑一趟」✅ 单店核验,只跑步骤 2 和 3
「这几家怎么选,我想吃宵夜」✅ 时段判断是核心变量
「炒牛河怎么做」❌ 菜谱问题,不需要落地精度
「帮我写个探店文案」❌ 内容创作,走对应工坊
「全国哪里的牛河最好吃」❌ 范围无限大,结论无意义,先圈城市和商圈

一、前置条件(缺一项就先补,不要硬跑)

1. WorkBuddy 已连接浏览器

调 browsers_list,找 type: "extension" 的实例,记下 browser_id。找不到就停,让用户到扩展管理页确认已启用并「信任」。不要改用桌面端托管浏览器——那是另一个身份,没有用户的登录态。

2. 目标站点已预先登录

站点未登录时的表现处理
大众点评评分能看,商户详情/部分评论/榜单会跳登录或滑块停下让用户扫码,不要替用户登录
高德 / 腾讯地图POI 基本免登录,适合查营业状态和电话可直接用
小红书 / 抖音只能拿标题,笔记正文和视频描述看不到有登录态才有价值

判定方法:页面右上角出现「登录」= 未登录;显示头像/用户名 = 已登录。先截图确认再操作,别假设。

3. 本地 Python(用于 radar.py)

零第三方依赖,标准库即可,3.8+。PATH 里没有 python 时依次试 python3 / py -3,或 WorkBuddy 托管解释器(位于 <WorkBuddy 数据目录>/binaries/python/versions/<版本>/python.exe,版本号因安装而异,不要硬编码)。都找不到就放弃脚本,走 references/manual.md,流程照样完整。

4. 先读 references/browser-capabilities.md

浏览器这一层有硬缺口(不能执行 JS、不能抓网络层、不能并发)。不先读这一节,很容易设计出「用 innerText 一次取全文」这种做不到的步骤,然后在执行中反复试错。


二、输入三要素(缺一个就问,不要猜)

要素例没给会怎样
城市广州会推荐到同名异地店
商圈/街道江南西「最好吃」范围无限大,结论无意义
品类/菜名炒牛河无法判断「招牌菜是否真是这道」

可选但显著提升命中率:时段(早餐/午市/宵夜)、人均预算。


三、执行流程

路径约定:下文 scripts/radar.py 指本技能目录下的该文件,执行时拼成绝对路径。 数据默认存在当前工作目录下的 .food-radar/,跟着项目走——换项目就是另一个池子。

步骤 0 · 建池

python scripts/radar.py init --city 广州 --area 江南西 --dish 炒牛河 --budget 60

数据落在当前工作目录 .food-radar/广州_江南西_炒牛河.json。同名文件已存在时加 --force 覆盖。

步骤 1 · 收集候选(4–6 家,不要贪多)

三个来源可混用,没有先后要求:

  1. 用户直接给的店名 —— 最快,直接进核验
  2. 网页搜索 —— 关键词 城市 + 商圈 + 菜名,从摘要里挑出店名
  3. 问联网 AI —— 当线索提供者,不当证据

对来源的处理原则:

  • AI 关闭搜索给出的答案只作参考。实测中它会把别处的同名店安到目标商圈(把黄埔的店说成江南西的),而且语气比联网时更笃定。这类答案必须逐店搜地址,搜不到直接判负。
  • AI 联网答案里如果自己写了「⚠️ 不在 XX 核心」,是它做的范围校正,可信度反而更高。
  • 一个来源给 6 家以上就截断。核验成本才是瓶颈,不是候选数量。

步骤 2 · 逐店核验(核心环节,每家 3–5 次工具调用)

取数顺序(从省力到费力,命中就停):

顺位做法能拿到什么
1WebSearch 店名 + 商圈 + 菜名 + 地址地址门牌、人均、招牌菜描述。最快,先试这个
2浏览器开大众点评商户页 → 截图评分、评论数、口味/环境/服务、营业时间、招牌菜。该站评分数字是加密字体,直接读文本会得到乱码,用截图识别更可靠
3浏览器开高德/腾讯地图 POI → 截图营业状态(「营业中」/「暂停营业」)、电话、门牌
4电话确认终极手段。问「现在开吗、目标菜还有吗」

点评页操作要点(实测有效):

  1. tabs_new 直接开店名搜索 URL,不要在首页搜索框一步步点
  2. 先 tab_screenshot 确认是否撞了登录墙或滑块
  3. 撞滑块 → 立刻停,转 WebSearch 抓摘要。不要反复刷新,越刷越容易被封
  4. 需要往下看时:先 cua_click 点正文空白处让焦点离开输入框,再 dom_cua_keypress 发 PageDown。cua_scroll 在这类长页面上经常超时

四项硬核验(缺一项就标「未确认」,不许猜):

项判据红线
地址精确到门牌号 + 参照物只给「XX 大街一带」= 未确认;门牌与所说不同 = 记错
招牌菜归属该店菜单/点评里,目标菜是否被反复提及为招牌店是真的但招牌是烧鹅/肠粉,被硬说成「炒牛河首选」= 招牌错配,一票否决
人均点评人均或菜单价与声称差 >50% 记「价格存疑」
营业时间商户页 + 电话只做宵夜的店白天去会扑空,这条最容易被漏

步骤 3 · 落库

每核验完一家立刻写进去,不要攒到最后——攒着一定会记混。

python scripts/radar.py add \
  --name 华叻强面家 \
  --address "紫龙大街24号之9" --landmark "紫丹阁对面" \
  --avg-price 23 --hours 07:00-22:30 \
  --rating 7.6 --review-count 729 \
  --signature yes --source 豆包 --data-date 2026-10 --area-confirmed
参数说明
--signature yes/no/unknown目标菜是否该店招牌。no 会直接判出局
--hours支持 17:00-02:00(跨零点)、11:00-14:00,17:00-21:00(多时段)
--area-confirmed人工已确认该店在本商圈。地址用街道名(紫龙大街 24 号)不含商圈名时会误报警,核验过就加上
--source候选来源,出表时标注,便于回溯是哪家 AI 说的
--branch连锁必须填,否则分店评分会混在一起
--data-date数据时点。早于 2 年前会自动提示「价格/时间可能失效」

改字段用 update --name 店名 --字段 新值。查进度用 list。

步骤 4 · 判定与出表

python scripts/radar.py report                    # 打印决策表
python scripts/radar.py report --out 决策表.md     # 顺便存文件

脚本自动完成这些,不用手算:

  • 四项核验计数,出局项(招牌错配 / 四项全无确认)单独列出
  • 营业时间解析成时段覆盖(早/午/晚/宵夜),跨零点正确归到宵夜
  • 排序按可落地度优先(确认项数 → 评分 → 评论数),不按「说得多好听」
  • 地址不含商圈名、数据过期、缺营业时间等进「待人工确认」区

步骤 5 · 出结论前过一遍排坑清单

  • 同名异地:最常见的幻觉。搜到的店在另一个区/另一个城市,被安到目标商圈。
  • 分店混淆:同品牌多店,评分和营业时间常常不同,必须锁到「XX 店」。
  • 旧数据:2022 年及以前的点评,价格和营业时间基本失效;只有「是不是老店」这类结论不随时间变。
  • 连锁误判:全国连锁在本地榜单里评分通常 7 分左右,不代表「本地最强」。
  • SEO 软文:标题带「3 个维度拆解 + FAQ」「人均 N 元起」的,一律不作为证据。
  • 地图 POI 当评价:地图条目只证明「存在」,不证明「好吃」。

四、输出模板

## 一句话结论
(时段 + 店名 + 点什么 + 人均)

## 决策表
| 时段 | 店 | 地址(门牌) | 人均 | 招牌 | 注意 |

## 核验明细
| 候选 | 来源 | 地址 | 招牌 | 人均 | 营业 | 确认 | 评分/评论 |

## 没排上的 & 为什么
(同名异地 / 招牌错配 / 数据过期 / 已停业)

## 待人工确认
(缺哪一项、需不需要打电话)

radar.py report 的输出就是这个结构,可直接贴给用户,但要补一句人话结论——脚本只能排可落地度,判断不了「哪家更合你口味」。


五、已知坑(实测,2026-10)

  • cua_execute 没有 JS 执行能力。 别指望 document.body.innerText 一键取全文,想省截图次数只能靠 dom_cua_get_visible_dom。
  • tab_id 跨对话轮次会失效。 每次操作前 tabs_list,不要复用旧 id。
  • 输入框有焦点时 PageDown 滚不动页面。 必须先点正文空白处。
  • cua_scroll 在长页面上频繁超时。 用「点空白 → PageDown」替代。
  • 点评页撞滑块一次就够。 别硬刚,转 WebSearch 抓摘要,并标注「未取到站内实时评分」。
  • 地址用街道名不含商圈名是常态(紫龙大街、杏园大街都不含「江南西」)。别把它当成异地证据,核验过加 --area-confirmed。
  • 只做宵夜的店是最大陷阱。 17:00 才开门的店白天推荐等于让人跑空,营业时间必须查。
  • 公众号探店文常把人均写成「人均 20+」。 交叉两个来源再定。
  • AI 关搜索后给的答案更短、更笃定、更错。 这种「确定性」来自幻觉,不来自证据。

六、参考资料路由

文件什么时候读
references/browser-capabilities.md开工前必读。工具清单、做不到的四件事、为什么截图比读 DOM 更可靠、脚本与 MCP 的分工
references/sample.md想知道输出长什么样、判定粒度如何时。含一次完整的江南西炒牛河核验记录
references/manual.md没有浏览器、没有 Python,或用户想自己复核时。五步法,不依赖任何工具
references/sample-pool.json想直接看候选池数据结构,或复制一份试跑 report
scripts/radar.py唯一脚本,init / add / update / list / report 五个命令

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.