用本地大模型控制智能家居：Home Assistant接入Ollama实战

传统智能家居的痛点

家里的Home Assistant跑了快两年了，自动化写了一堆，但说实话用起来还是不够"智能"。比如我想说"太热了"，系统不会自动开空调，非得写一堆条件判断——温度高于28度且时间在下午2点到晚上10点之间且人在客厅……每次来客人我都得解释一遍这套逻辑。

问题在于，传统自动化是"规则驱动"的，你得提前把所有可能性都想到。但人的需求是模糊的、动态的。最近Ollama + LLM的方案让我看到了可能性——让大模型来理解自然语言，再转化为Home Assistant的动作。

方案架构

整体思路很简单：

1. 用Ollama在本地跑一个轻量级LLM（我用的Qwen2.5 7B）
2. 写一个Python中间件，接收自然语言指令，调用LLM生成HA的Service Call
3. 通过HA的REST API执行对应的设备操作

整个链路都在局域网内完成，延迟大概200-500ms，体感还行。

实际配置

中间件的核心逻辑大概50行Python，关键部分是给LLM一个设备清单的prompt，让它根据用户指令输出JSON格式的Service Call。比如我说"把客厅灯调暗一点"，LLM会输出：

{
  "service": "light.turn_on",
  "entity_id": "light.living_room",
  "data": {"brightness": 128}
}

我加了一层安全校验——LLM输出的entity_id必须在白名单里，不在就拒绝执行。防止模型抽风把热水器开了。

实测效果

跑了一周，几个场景体验不错：

• "太热了"：自动开空调设26度，同时关窗帘
• "我要出门了"：关灯、关空调、扫地机器人开始工作、摄像头切换到离家模式
• "晚上好"：客厅灯调暖色调、电视打开、空调设25度

准确率大概85%，偶尔会理解错，比如"把灯调亮"有时候会变成开所有灯。但比之前纯规则的方式自然多了。

踩坑记录

• 上下文丢失：Ollama的API默认没有对话记忆，每次都是独立请求。我后来加了session管理，保留最近5轮对话，"再暗一点"这种上下文指令就能正确处理了。
• 幻觉问题：LLM有时候会"发明"不存在的设备。安全校验层救了我好几次。
• N100性能：7B模型在N100上推理要3-5秒，体验不太好。加了GPU之后降到500ms以内。

总结

用LLM控制智能家居还处于"能用但不够稳定"的阶段。不过比起一年前，本地模型的质量和速度都提升了很多。等模型再优化几轮，这可能就是智能家居的正确打开方式。