Home LLM：用本地大模型把家变成会听话的智能助手

想象一个场景：下班回家，你随口说一句「我把客厅灯调成暖色调，室温调到24度」，无需打开任何App，无需触碰开关，灯光和空调就自动响应了。更重要的是——这一切都在你自己的服务器上运行，没有任何数据上传到云端，你甚至可以拔掉网线，它依然正常工作。

这就是 Home LLM 试图实现的目标：一个完全本地化的 AI 智能家居控制系统。

图1：Home LLM 系统架构图，展示了从用户语音/文字指令到 Home Assistant 设备控制的完整流程

背景：为什么需要本地 AI 控制智能家居？

智能家居的痛点从来不是「设备不够智能」，而是控制层太僵硬。传统的自动化规则（If-This-Then-That）需要用户预先定义好每一种场景，而自然语言对话才是人类最自然的交互方式。

市面上的 AI 助手（如 Alexa、Google Assistant）虽然支持语音控制，但存在三个根本问题：

• 隐私泄露：你的家庭布局、作息习惯、设备状态全部上传到云端
• 延迟：语音指令要经过云端处理再返回，对话不够流畅
• 成本：厂商随时可以收费或停止服务

Home LLM 的作者 acon96 在 2023 年底启动了这个项目，核心思路是：让 Home Assistant 智能家居平台直接对接本地运行的大语言模型，用户数据永远留在本地，模型可以自由选择和替换。

技术架构：如何让 AI 真正「看懂」你的家？

Home LLM 由两大部分组成：

1. Local LLM 集成（custom component）

这是一个 Home Assistant 的自定义组件（custom component），相当于给 Home Assistant 装上了一个「AI 大脑」。它的工作原理分为几个层次：

对话 Agent 层（conversation.py）：负责维护对话上下文，将用户的自然语言指令解析为结构化的意图（intent）。当用户说「帮我把卧室的灯关掉」，Agent 需要理解这是在对一个具体设备（卧室灯）执行一个具体动作（关闭）。

工具调用层：AI 并不是直接控制设备，而是通过一个名为 HassCallService 的工具来执行操作。const.py 中定义了允许 AI 调用的服务白名单，包括 turn_on、turn_off、toggle、set_temperature 等 20 多种服务，覆盖了灯光、开关、锁、空调、扫地机器人等 11 个设备领域。

多后端支持：系统不绑定任何特定的 LLM 提供商。当前支持的推理后端包括：

• Llama.cpp（内置）：直接在 Home Assistant 内运行量化模型，最轻量
• Ollama：在另一台机器上运行，支持更大的模型
• Generic OpenAI API：兼容 LM Studio、LocalAI、vLLM 等 OpenAI 兼容服务器
• text-generation-webui：oobabooga 的 Web UI 后端
• LocalAI：综合性的本地 AI 推理服务
• Anthropic/Messages API：接入 Claude 系列模型

AI Task 层（ai_task.py）：除了对话，Home LLM 还支持「AI 任务」功能，可以在 Home Assistant 自动化脚本中调用 AI 来处理数据、生成结构化内容，甚至做决策。这是一个将 LLM 深度嵌入 Home Assistant 自动化引擎的尝试。

2. Home 系列专用模型

仅有通用 LLM 是不够的——通用模型对 Home Assistant 的设备命名、服务调用格式一无所知。作者为此微调了一系列专门的「家庭助手」模型，核心是让模型学会：

• 如何将自然语言转换为 Home Assistant 服务调用
• 如何理解「客厅灯」对应的是哪个具体设备
• 如何处理多步骤连续指令（「关灯、开空调、调温度」）

模型列表和版本演进如下：

• Home-Llama-3.2-3B：基于 Llama 3.2 3B，参数规模适中，能在消费级硬件上运行
• Home-FunctionGemma-270m：仅 2.7 亿参数的小模型，适合树莓派等极低功耗设备

早期版本还包括基于 StableLM-Zephyr-3B、Phi-2、TinyLlama 等的微调版本，展示了作者对不同基础模型的持续实验。

数据与训练：如何让模型学会控制家居？

项目的数据训练流程相当完整。data/ 目录下包含完整的训练脚本：

• generate_data.py：从 Home Assistant 的设备信息（entities、services）自动生成训练数据
• synthesize.py：合成高质量的指令-响应对
• translate_data.py：多语言数据生成，支持英语、德语、法语、西班牙语、波兰语
• tools.py：定义 AI 可以调用的工具（函数调用格式）

这意味着用户即使没有 AI 训练经验，只要拥有 Home Assistant 实例，就可以利用自己的设备配置自动生成定制化的训练数据。

部署体验：能跑起来吗？

硬件需求：根据项目文档和模型规格，最小可以在 Raspberry Pi（ARM 架构）上运行 270M 的 Gemma 模型；3B 模型在有 GPU 的机器上体验更好，但也可以纯 CPU 运行。docker-compose.yml 提供了开箱即用的部署模板，同时启动 Ollama、text-generation-webui、llama.cpp server 和 LocalAI 四个后端供选择。

安装方式：作为 Home Assistant 的自定义组件分发，最推荐的安装方式是通过 HACS（Home Assistant Community Store）一键安装，配置文件路径为 .github/workflows/ 中的 HACS 验证配置。需要 Home Assistant 版本 2026.5.0 或更新版本。

难度评估：对于已有 Home Assistant 使用经验的用户，整个安装和配置过程约 15-30 分钟。如果你是 Home Assistant 新手，还需要额外时间了解平台基础概念。

局限与挑战

项目并非没有槽点。最明显的是对中文支持有限——虽然代码层面支持多语言（Persona 提示词支持英德法西波五种语言），但中文尚未被正式支持，需要社区贡献翻译数据。另一个挑战是模型质量与硬件的权衡：小模型（270M、1B）在低功耗设备上能运行，但理解复杂指令的能力有限；大模型效果好，但需要更好的硬件。此外，作为 Home Assistant 生态的一部分，用户必须先搭建好 Home Assistant 环境，学习门槛相对较高。

行业意义

Home LLM 代表了一个重要趋势：AI Agent 的本地化落地。它不是简单地将云端 API 包装成本地 SDK，而是真正利用了 Tool Calling（工具调用）这一大模型能力，将 LLM 嵌入到真实的自动化控制场景中。相比纯云端方案，它在隐私保护、成本控制、响应延迟方面都有显著优势。

从 GitHub 数据来看，项目自 2023 年 12 月创建以来保持活跃维护（2026 年 6 月仍有更新），获得了 1358 颗 Stars 和 138 个 Forks，在 Home Assistant 生态的 AI 相关项目中属于相当可观的关注度。作者还提供了完整的模型上传脚本（scripts/upload_to_hf.sh），将训练好的 GGUF 量化模型托管到 HuggingFace Hub，方便用户直接下载使用。

如果你正在使用 Home Assistant，又希望用自然语言来控制全屋设备，Home LLM 是目前最成熟的本地 AI 方案之一。