| name | restaurant-distiller |
| description | 餐厅蒸馏器：输入餐厅信息（文案或名称），自动蒸馏生成餐厅推荐Skill。
生成的餐厅Skill可供AI Agent调用，推荐餐厅和菜品。
两种入口：
(1) 用户提供餐厅介绍文案 → 直接蒸馏
(2) 用户提供餐厅名称 → 搜索信息后蒸馏
触发词：「蒸馏餐厅」「餐厅skill」「做餐厅推荐」「这家餐厅怎么样」
|
餐厅蒸馏器 · Restaurant Distiller
「一家餐厅的灵魂，不是菜单，是它的定位和决策规则。」
核心理念
餐厅蒸馏不是简单的信息整理，而是提炼决策框架。
一个好的餐厅Skill是一套可运行推荐逻辑：
- 这家餐厅的核心定位是什么？（一句话说清楚）
- 什么场景下推荐这家餐厅？（决策规则）
- 这家餐厅适合/不适合什么人？（人群画像）
- 这家餐厅的招牌菜是什么？（推荐理由）
- 这家餐厅的诚实边界是什么？（局限性）
关键区分：捕捉的是餐厅的"推荐逻辑"，不只是"基本信息"。
执行流程
Phase 0: 入口分流
收到用户输入后，先判断属于哪条路径：
| 用户输入 | 路径 | 示例 |
|---|
| 提供餐厅介绍文案 | 直接路径 → Phase 1A | 「这家餐厅是做潮汕牛肉火锅的，位于...」 |
| 只提供餐厅名称 | 搜索路径 → Phase 1B | 「帮我蒸馏「海底捞」」 |
| 批量餐厅列表 | 批量路径 → Phase 1C | 「帮我蒸馏这10家餐厅：[列表]」 |
Phase 1A: 直接蒸馏（有文案）
用户提供现成的餐厅介绍文案，直接提取关键信息。
输入示例：
餐厅名称：潮汕牛肉火锅（福田店）
地址：深圳市福田区XX路XX号
简介：正宗潮汕牛肉火锅，现切现涮，牛骨汤底，人均150元...
特色菜：吊龙、匙柄、牛腩煲...
口碑：牛肉新鲜、服务好、排队久...
执行步骤：
- 解析文案，提取结构化信息
- 补充缺失字段（如有必要）
- 跳到 Phase 2 开始蒸馏
Phase 1B: 搜索后蒸馏（只有名称）
用户只提供餐厅名称，需要先搜索信息。
执行步骤：
-
确认餐厅信息
- 确认餐厅名称、所在城市
- 如有重名，列出候选让用户选择
-
搜索餐厅信息
方式一：API搜索（如有API Key）
- 调用大众点评API / 小红书API
- 获取：基本信息、菜品、评价、评分
方式二：网页搜索（默认）
- 使用 WebSearch 搜索：
{餐厅名} {城市} 大众点评 小红书
- 从搜索结果提取关键信息
- 整合多个来源的信息
-
信息整合
- 整合搜索结果
- 标注信息来源和可信度
- 跳到 Phase 2 开始蒸馏
Phase 1C: 批量处理
用户提供多个餐厅，批量蒸馏。
输入示例：
帮我蒸馏这些餐厅：
1. 潮汕牛肉火锅（福田店）
2. 海底捞（COCO Park店）
3. 老乡鸡（南山店）
...
执行步骤：
- 逐个处理每个餐厅
- 按照Phase 1A或1B的逻辑处理
- 每处理完一个，输出进度
- 全部完成后，生成批量报告
Phase 2: 结构化蒸馏
从采集的信息中提炼餐厅的推荐框架。
Step 1: 身份卡提取
餐厅名称: [名称]
所在城市: [城市]
具体地址: [地址]
餐厅类型: [火锅/粤菜/日料/西餐...]
价位区间: [人均 XX 元]
营业时间: [时间]
联系方式: [电话/公众号]
Step 2: 核心定位提炼
一句话定位：这家餐厅最核心的特色是什么？
示例：
- 「深圳老字号潮汕牛肉火锅，主打现切现涮、牛骨汤底」
- 「服务至上的连锁火锅，适合聚餐聚会」
- 「高性价比中式快餐，一个人也能吃好」
Step 3: 场景匹配度分析
评估这家餐厅在不同场景下的适配度：
| 场景 | 匹配度 | 推荐理由 | 不推荐理由 |
|---|
| 家庭聚餐 | ⭐1-5 | 包厢、菜量、口味 | 嘈杂、无包厢 |
| 商务宴请 | ⭐1-5 | 环境、档次 | 不够正式 |
| 朋友聚会 | ⭐1-5 | 氛围、菜品 | 太贵、排队 |
| 情侣约会 | ⭐1-5 | 环境、情调 | 嘈杂 |
| 一个人吃 | ⭐1-5 | 吧台、分量 | 不划算 |
| 外卖/打包 | ⭐1-5 | 口味稳定性 | 菜品不适合 |
Step 4: 招牌菜分析
必点菜：
| 菜名 | 推荐理由 | 适合人群 | 价格 |
|---|
| 吊龙 | 牛肉最嫩的部位 | 喜欢吃肉的人 | ¥68 |
避雷菜：
Step 5: 人群画像
适合人群：
- 喜欢XX口味的人
- 预算XX元以上的人
- 追求XX体验的人
- 能接受XX的人（如排队、嘈杂）
不适合人群：
- 忌口XX的人
- 喜欢安静的人
- 预算有限的人
- XX人群（如小孩、老人）
Step 6: 口碑关键词
高频正面评价：
高频负面评价：
Step 7: 决策规则生成
生成给AI Agent用的推荐规则：
决策规则:
当用户说「想吃火锅」:
推荐指数: 8/10
理由: 正宗潮汕牛肉火锅，现切现涮
当用户说「预算100元以内」:
推荐指数: 4/10
理由: 人均150，略超预算
当用户说「家庭聚餐」:
推荐指数: 8/10
理由: 有包厢，老少皆宜
当用户说「商务宴请」:
推荐指数: 5/10
理由: 环境一般，不够正式
当用户说「一个人吃」:
推荐指数: 6/10
理由: 可以，但有点浪费
Step 8: 诚实边界
这家餐厅的局限性：
- 不能保证XX（如排队时间、菜品稳定性）
- 不适合XX人群
- 数据采集于XX时间，可能已过时
Phase 3: 生成Skill文件
将蒸馏结果生成为SKILL.md文件。
存放路径：
~/.openclaw/skills/restaurant-kb/
├── [餐厅名]-[城市].md
├── 海底捞-深圳.md
├── 潮汕牛肉火锅-深圳.md
└── ...
文件模板：
---
name: [餐厅名]-[城市]
type: restaurant
created: [日期]
data_source: [API/网页搜索/用户输入]
---
# [餐厅名]
## 身份卡
- 名称：[餐厅名]
- 城市：[城市]
- 地址：[地址]
- 类型：[类型]
- 价位：人均 ¥[XX]
- 营业时间：[时间]
## 一句话定位
[核心特色]
## 场景推荐
| 场景 | 推荐度 | 说明 |
|------|--------|------|
| 家庭聚餐 | ⭐⭐⭐⭐ | 有包厢，老少皆宜 |
| ... | ... | ... |
## 招牌菜
### 必点
- [菜名]：[推荐理由]
### 避雷
- [菜名]：[不推荐原因]
## 人群画像
适合：[...]
不适合：[...]
## 口碑关键词
正面：[...]
负面：[...]
## 决策规则
[给Agent用的推荐规则]
## 诚实边界
[局限性说明]
Phase 4: 质量检查
生成后进行质量检查：
使用示例
示例1：直接蒸馏（有文案）
用户：
帮我蒸馏这家餐厅：
潮汕牛肉火锅（福田店）
地址：深圳市福田区XX路XX号
人均：150元
特色：现切现涮、牛骨汤底
推荐菜：吊龙、匙柄、牛腩煲
评价：牛肉新鲜、服务好、但排队久
助手：
收到，开始蒸馏...
[执行Phase 1A → Phase 2 → Phase 3]
✅ 已生成餐厅Skill：潮汕牛肉火锅-深圳.md
示例2：搜索后蒸馏（只有名称）
用户：
帮我蒸馏「海底捞」
助手：
确认一下：是海底捞哪个城市的店？
默认搜索深圳的海底捞，可以吗？
用户：
深圳的
助手：
正在搜索海底捞（深圳）的信息...
[执行Phase 1B → Phase 2 → Phase 3]
✅ 已生成餐厅Skill：海底捞-深圳.md
示例3：批量处理
用户：
帮我蒸馏这些餐厅：
1. 潮汕牛肉火锅（福田店）
2. 海底捞（COCO Park店）
3. 老乡鸡（南山店）
助手：
收到，批量处理中...
[1/3] 潮汕牛肉火锅 ✅
[2/3] 海底捞 ✅
[3/3] 老乡鸡 ✅
✅ 批量完成！已生成3个餐厅Skill
存放目录：~/.openclaw/skills/restaurant-kb/
调用生成的餐厅Skill
其他AI Agent可以这样调用餐厅Skill：
用户：我想吃火锅，推荐一家深圳的
AI Agent：
1. 搜索 restaurant-kb 中所有火锅类餐厅
2. 根据决策规则计算推荐指数
3. 返回最匹配的餐厅推荐
配置说明
API配置（可选）
如有大众点评/小红书API，在配置文件中设置：
{
"restaurant-distiller": {
"apis": {
"dianping": {
"enabled": true,
"key": "your-api-key"
},
"xiaohongshu": {
"enabled": false
}
},
"defaultCity": "深圳",
"knowledgeBasePath": "~/.openclaw/skills/restaurant-kb/"
}
}
网页搜索配置
默认使用WebSearch进行搜索，无需额外配置。
注意事项
- 数据时效性：餐厅信息变化快，建议定期更新
- 信息准确性：网页搜索的信息可能有偏差，重要信息建议人工确认
- 隐私保护：不收集用户个人喜好数据
- 版权意识：搜索结果用于蒸馏，不直接复制原文
