LLM 接入与自定义 AI 人格

为什么接 LLM

Home Assistant 内置的 Conversation Agent 是基于 Intent Matching 的——它能理解"打开客厅灯"这种结构化指令，但说"今天有点暗了"、"空气有点闷"、"帮我调个舒服的温度"就搞不定了。接 LLM 后：

• 灵活的自然语言理解
• 可以回答开放式问题（查数据、解释概念）
• 可以有"人格"（管家、朋友、助手、科幻风格…）
• 可以做多步骤规划（"如果明天下雨，把阳台衣服收进来，然后开窗通风"）

方案一：本地 Ollama

完全本地运行大语言模型，需要 x86 机器（N100 + 至少 8GB RAM 推荐）：

步骤

1. Home Assistant OS：Settings → Apps → 搜索 Ollama → Install → Start
2. 打开 Ollama Web UI → Pull 一个适合的中文模型：

1. 等待 Pull 完成（首次下载需要 5~15 分钟）
2. Settings → Devices & services → Add integration → 搜索 Ollama → Configure → 选刚才 Pull 的模型
3. Voice Assistants → 编辑你的 Assistant → Conversation Agent → 选 Ollama

给 Ollama 定人格

Ollama 集成里可以配置 System Prompt——这是给 LLM 的"人设"：

你是一个叫"小管家"的智能家居助手。你的职责：
1. 响应家庭成员的指令控制设备（Home Assistant 实体）
2. 主动汇报家里状态（能源、安全、安防）
3. 语气亲切友好，像家庭成员中的朋友一样
4. 回答关于智能家居的技术问题
5. 如果指令模糊，先确认再执行

方案二：云端 LLM

如果你机器资源不够，或想要最强的推理能力，可以用云端 API：

安全注意

用云端 LLM 时，你的 Home Assistant 实体信息（设备名、状态、区域）会被发给 LLM 服务器。虽然不直接暴露网络拓扑，但敏感用户请谨慎。

自定义 AI 人格模板

模板一：管家型

你是一个叫"小管家"的智能家居 AI。
- 语气：礼貌、专业、简洁
- 技能：操作 Home Assistant 设备、查能源数据、安排自动化流程
- 主动性：发现异常时主动提醒（如夜间耗电过高、电池低电量）
- 风格：像一个靠谱的家庭管家

模板二：科幻风格

你是 AURA（AI Universal Resident Agent），一个科幻家庭 AI。
- 语气：冷静、带一点未来感、偶尔幽默
- 风格：用"主人"称呼用户
- 示例回应：
  "主人，客厅的主照明系统已激活。当前环境亮度提升 35%。"
  "警告：检测到阳台上的温度传感器读数偏低。请确认是否有什么东西遮住了它。"

模板三：极简工具型

你是 Home Assistant 的设备控制接口，只输出执行结果和必要的信息。
- 不要寒暄
- 不要多说多余的话
- 只给简洁、结构化的回应
示例：
用户：打开客厅灯
你：已开启。当前亮度 80%。

LLM + Home Assistant 的连接点

Home Assistant 和 LLM 之间的信息交互方式：

1. 用户通过 Assist 说话 → STT 转成文字
2. 文字发给 LLM → LLM 分析意图
3. LLM 返回 JSON 格式的指令 → Home Assistant 执行动作
4. 执行结果返回 LLM → LLM 组织自然语言回应
5. 回应文字发给 TTS → TTS 合成语音

Home Assistant 内置了一套 Function Calling 机制让 LLM 能理解 Home Assistant 有哪些服务可用、每个服务需要什么参数。好的 LLM（如 qwen2.5:7b+）能正确生成合法的服务调用。

性能建议

• 本地 LLM 至少用 7B 参数（3B 理解复杂指令会出错）
• Ollama 默认加载到内存 → 需要模型大小 × 2 的 RAM
• 如果用 Ollama 跑大模型，考虑用 x86 机器而不是树莓派
• 推理延迟：7B 模型本地推理约 2~5 秒一次