184 份问卷 + 162 条开放题文本，提炼出用户真实的本地生活决策疲惫。
不是选择少，而是筛选、协调、验证、变更和重复输入都要自己来。
点击一张痛点卡，翻到背面查看对应的 AI 管家动作与产品功能。
不是更多选择，而是更少纠结
多人约饭不是缺餐厅，而是缺一个能收集偏好、保护硬约束、根据反馈继续调整，并把方案发回群聊的管家流程。
先把“都可以 / 随便”的口头争论，变成一张能收集偏好的约饭卡。
A今晚吃啥都可以，别太折腾。
B我都行，但不吃海鲜。
C别辣，20:30 前要回宿舍。
群聊停顿所以到底去哪？
先不急着推荐餐厅，而是把散在群里的忌口、时间、距离和预算收回来。
偏好没有收齐前，右侧只显示占位态，避免 AI 先编一个看似合理的答案。
把每个功能拆成稳定的 输入 → 处理 → 输出：先收集约束，再结合本地候选池、OpenClaw 理解与规则自检，最后给出可执行方案和兜底边界。三种框架视图可切换看，点任意节点展开细节。
一句「不知道吃什么」，管家先把缺的关键信息问清楚，再调云端 OpenClaw 给出带理由的推荐；网关不可用时立刻本地兜底，评审流程不断。
普通 AI 问一句答一句；管家信息不足时先补最关键的一问，再给推荐。
OpenClaw 或外部能力不可用时，降级到本地候选池，保证 demo 不断流。
普通 AI 助手往往停在“问一句、答一句”；饿了幺把预算、忌口、距离、时间和群体偏好纳入流程，先收敛条件，再输出可执行方案。
Web 作品页是面向评审的可访问镜像：保持产品能力一致，复用现有后端链路，用浏览器友好的身份、路由与存储承载完整体验。
微信小程序与 Web 体验并行。Web 版复刻小程序流程，用 demo session 替代 wx.login。
Next.js App Router 同时承载作品页、在线体验页面与 API routes。
OpenClaw 负责单人推荐与动态追问；不可用时降级到本地推荐，保证评审流程不断。
任务、登录 session、周边规划写入服务端 JSON store；浏览器本地保留记忆、收藏与草稿。
把命题 02 的评测思想嵌进管家每一次回答：输出前先逐项审计，不合格就修正或追问。七项检查 × 对应动作，构成「计划前—计划中—计划后—下一次」的闭环。
服务器实查 OpenClaw CLI / Gateway 为 2026.5.27。三大能力都沉淀成可安装 Skill 包，评审可以直接看到 Agent 触发条件、输入契约、自检规则、输出结构、prompt 模板、示例和代码落点。
OpenClaw CLI / Gateway 只在服务端运行，Gateway 仅 loopback 监听；小程序和 Web 不持有 token、AppSecret 或模型密钥。
安装器会校验 manifest、SKILL.md、prompt、schema 和示例，再把三份 skill 复制到目标目录；token、AppSecret 和模型密钥不会进入包内。
node skills/install-eleyao-skills.mjs --target ~/.openclaw/skills --forceeleyao-food-butler把场景、预算、距离、忌口和最近记忆收敛成 2-3 个可执行餐厅推荐。
eleyao-group-dining汇总成员偏好、识别冲突，用硬约束和公平性评分生成群体可接受方案。
eleyao-weekend-planner结合真实天气、自建 POI、时间窗和预算，生成带自检项的轻量路线。
现在版本先证明“管家链路能跑通”。下一步要把它从 demo 推到产品，需要补齐官方数据、长期记忆、交易履约和更完整的评测闭环。
把模拟餐厅库换成真实门店、营业时间、排队、菜单与距离数据，让推荐不止合理，还能现在就去。
Meituan API · POI · queue官方接口选中方案后继续推进到订位、拼单、下单或群内确认，把“建议”变成真正办完的一件事。
transaction · fulfillment官方接口当前已支持账号级记忆与偏好记录。下一步把历史选择、收藏、约饭和周边规划沉淀为更稳定的用户画像，用于跨场景复用和长期验证。
memory store · profile insight长期验证一句话、拍菜单、发截图都能成为任务入口，管家先理解上下文，再决定要不要追问。
ASR · vision · context开发时间把“理解多人约束 + 方案自检”的能力迁移到约会、出行、运动、看展和临时周末计划。
scenario templates开发时间当前版本优先证明 AI 管家闭环能跑通：能理解需求、生成规划、失败兜底并留下评测反馈。后续接入真实 POI、天气和路线数据，把轻量 demo 扩展成可落地的周边生活服务。
POI · weather · route官方接口三段真机录屏分别覆盖单人吃饭、多人约饭和周边规划，证明核心场景不是纸面方案，而是真的能在小程序里跑起来。
从场景、预算、距离和口味偏好出发，展示 AI 管家生成 2-3 个餐厅推荐，并在 OpenClaw 不稳定时保留本地兜底。
展示发起约饭、成员填写偏好、后端同步状态、冲突识别和生成推荐方案的完整小程序链路。
输入出行时间、预算、起点和兴趣后，结合真实天气与自建周边 POI 生成路线、自检项和风险提示。
把“想吃什么”拆成场景、预算、距离、口味和忌口，给出可执行餐厅方案。
成员通过同一任务链接提交偏好，后端保存共享状态并识别约束冲突。
周边规划会结合天气、预算、时间窗口和步行强度，给出风险提示与备选路线。