HomeGenie v2.0: Полностью локальный агентный ИИ для умного дома на CPU (обзор и установка)

Забудьте про облака: ваш дом теперь умнее вас

Представьте, что у вас есть личный дворецкий. Он знает ваш график, предсказывает ваши желания, управляет светом, температурой и безопасностью. И самое главное — он никогда не уходит в интернет рассказывать, когда вы дома, а когда нет. Это не фантастика. Это HomeGenie v2.0.

До сих пор умный дом был синонимом компромисса. Отдаёшь данные в облако — получаешь удобство. Локальные LLM изменили правила игры, но они оставались отдельной игрушкой. HomeGenie соединяет их с реальным миром.

Что это такое и зачем вам это нужно

HomeGenie — это не просто очередной плагин для Home Assistant. Это принципиально другой подход. Система использует языковую модель как ядро принятия решений. Модель анализирует состояние дома (температура, освещённость, наличие людей, расписание), вспоминает ваши привычки и отдаёт команды устройствам.

Ключевая фишка — всё работает локально. Никаких вызовов OpenAI API, никаких подписок. Ваши данные о режиме сна, времени ухода на работу и любимой температуре в гостиной не покидают ваш домашний сервер. Даже если интернет отвалится, ваш дворецкий продолжит работать.

Техническая кухня: как это работает

Архитектура проста и умна одновременно. В основе — стек .NET (C#), что само по себе редкость в мире Python-доминирующего машинного обучения.

• Ядро агента: LlamaSharp — .NET-биндинг для llama.cpp. Позволяет загружать и запускать GGUF-модели прямо из C# кода.
• Модели: Поддерживает любые GGUF-форматированные модели. Разработчик рекомендует Phi-3-mini, Qwen2.5-7B или Llama 3.2 3B — модели, которые умещаются в оперативку среднего компьютера.
• Оптимизации для CPU: Использует квантование (чаще всего Q4_K_M), оптимизацию KV Cache и батчинг запросов. Это те самые трюки, которые превращают медленную модель в достаточно быструю для реального времени.
• Интеграции: MQTT, REST API, WebSockets. Подключается к Home Assistant, OpenHAB или напрямую к устройствам.

Система работает по циклу: сбор контекста → анализ LLM → выполнение действия. Контекст включает сенсоры, историю, время, погоду (если есть доступ). LLM получает этот контекст и инструкцию типа "Что нужно сделать для поддержания комфорта и эффективности?" Ответ парсится в команды.

// Пример конфигурации агента в appsettings.json
{
  "HomeGenie": {
    "ModelPath": "./Models/phi-3-mini.Q4_K_M.gguf",
    "ContextSize": 4096,
    "MaxTokens": 512,
    "Temperature": 0.1, // Низкая температура для предсказуемости
    "Devices": [
      {
        "Id": "living_room_light",
        "Type": "Light",
        "ControlEndpoint": "http://homeassistant:8123/api/services/light/turn_on"
      }
    ],
    "Triggers": [
      {
        "Type": "Schedule",
        "Cron": "0 7 * * *" // Каждый день в 7 утра
      }
    ]
  }
}

Сравнение: чем HomeGenie лучше или хуже альтернатив

Главное преимущество HomeGenie — баланс. Он сложнее простых правил, но даёт адаптивность. Он локальнее облачных решений, но не требует собирать серверную ферму на 192 ГБ RAM.

Установка: от распаковки до первого "Привет, хозяин"

Теория — это хорошо, но давайте запустим. Предположим, у вас уже есть сервер (можно тот же Raspberry Pi 5 из нашей прошлой статьи) с Docker.

1 Готовим модель

Сначала скачаем подходящую GGUF-модель. Для начала возьмите что-то маленькое и быстрое.

# Создаём папку для моделей
mkdir -p ~/homegenie/models
cd ~/homegenie/models

# Скачиваем Phi-3-mini (примерно 2.2 ГБ)
wget https://huggingface.co/microsoft/Phi-3-mini-4k-instruct-gguf/resolve/main/Phi-3-mini-4k-instruct-q4.gguf

# Или Qwen2.5-7B-Instruct-Q4_K_M (примерно 4.5 ГБ) - мощнее, но медленнее
# wget https://huggingface.co/Qwen/Qwen2.5-7B-Instruct-GGUF/resolve/main/qwen2.5-7b-instruct-q4_k_m.gguf

2 Запускаем HomeGenie в Docker

Самый простой способ — через готовый образ. Создадим docker-compose.yml:

version: '3.8'

services:
  homegenie:
    image: ghcr.io/homegenie-ai/homegenie:latest
    container_name: homegenie
    restart: unless-stopped
    ports:
      - "5000:5000"  # Web-интерфейс
      - "1883:1883"  # MQTT (опционально)
    volumes:
      - ./config:/app/config  # Конфигурация
      - ./models:/app/models  # GGUF-модели
      - ./logs:/app/logs      # Логи
    environment:
      - ASPNETCORE_ENVIRONMENT=Production
      - ModelPath=/app/models/Phi-3-mini-4k-instruct-q4.gguf
    # Если нужно больше оперативки для модели:
    # deploy:
    #   resources:
    #     limits:
    #       memory: 4G

Запускаем:

docker-compose up -d

3 Настраиваем подключение к умному дому

Откройте http://ваш-сервер:5000. Первым делом зайдите в настройки интеграций. Самый простой путь — MQTT.

// Пример конфига для Home Assistant через MQTT
{
  "mqtt": {
    "server": "homeassistant.local",
    "port": 1883,
    "username": "homegenie",
    "password": "ваш_пароль",
    "discovery_prefix": "homeassistant"
  },
  "agent": {
    "check_interval_seconds": 30, // Как часто думать о доме
    "prompt_template": "Ты — управляющий умным домом. Текущее время: {time}.\nСостояние: {state}\nЧто нужно сделать для улучшения комфорта и эффективности?"
  }
}

Теперь HomeGenie увидит все ваши устройства из Home Assistant. Осталось научить его ими управлять.

Примеры использования: когда ИИ полезнее простых правил

Вот где HomeGenie показывает свою силу. Простые автоматизации справляются с "включить свет в 18:00". Но что насчёт сложных сценариев?

• Адаптивное отопление: Не просто "включить обогрев в 7 утра", а "включить обогрев за 40 минут до моего обычного подъёма, но только если на улице холоднее +15°C, и я дома (определено по датчику движения в спальне), и сегодня не выходной".
• Энергосбережение: "Выключить неиспользуемые приборы, но не трогать холодильник и сервер. Если днём солнечно — снизить отопление. Если вечером никого нет — перевести всё в эконом-режим".
• Предсказание привычек: "Хозяин обычно возвращается с работы между 18:30 и 19:15. Включить свет в прихожей за 5 минут до вероятного возвращения, если на улице уже темно".

В теории это можно настроить правилами. На практике вы получите лавину взаимозависимых условий, которую невозможно поддерживать. ИИ справляется с этим естественно.

Под капотом: оптимизации, которые делают это возможным на CPU

Самая частая реакция: "ИИ на CPU? Это же будет тормозить!" Разработчики HomeGenie используют несколько трюков:

1. Квантование GGUF: Модели сжимаются до 4-битного формата (Q4_K_M). Точность падает на 1-2%, а размер и требования к памяти — в 4-5 раз.
2. Статический KV Cache: Вместо пересчёта ключей и значений для каждого запроса, система кэширует их для повторяющихся контекстов ("состояние дома", "расписание").
3. Асинхронная обработка: Агент думает в фоне. Вы не ждёте ответа, чтобы включить свет. Система анализирует и действует циклически.
4. Маленькие модели: Phi-3-mini (3.8B параметров) на современном CPU генерирует 20-30 токенов в секунду. Для команд типа "включи свет в гостиной" этого более чем достаточно.

Если вам интересны технические детали локального инференса, посмотрите как LM Studio MCP запускает агентов на 20B-моделях. Принципы похожи, но HomeGenie заточен под дом, а не под новости.

Кому подойдёт HomeGenie (а кому нет)

Это не универсальное решение. Как и любой продвинутый инструмент, он требует правильных рук.

Берите HomeGenie, если:

• У вас уже работает умный дом (Home Assistant, OpenHAB) и вы хотите добавить интеллекта.
• Вы параноик в вопросах приватности (или просто не хотите, чтобы Google знал, когда вы спите).
• Любите технические эксперименты. Собирать агентные RAG-системы для вас — развлечение.
• Хотите адаптивные сценарии, которые сложно описать правилами if-then-else.

Не тратьте время, если:

• Вы только начали с умным домом. Сначала разберитесь с базовыми автоматизациями.
• У вас нет сервера (Raspberry Pi, старый ПК, NAS) для круглосуточной работы.
• Вам нужна мгновенная реакция. ИИ думает секунды, а не миллисекунды. Для аварийного отключения газа используйте обычные датчики.
• Вы боитесь командной строки и Docker. Пока нет one-click установщика для HomeGenie.

Что дальше? Будущее локальных домашних агентов

HomeGenie v2.0 — только начало. Уже сейчас видно несколько направлений развития:

• Мультиагентные системы: Один агент управляет светом, другой — климатом, третий — безопасностью. Они могут делиться контекстом и координироваться.
• Обучение на ваших привычках: Система не просто следует инструкциям, а изучает, что вам нравится, и предлагает оптимизации.
• Голосовое управление с локальным распознаванием: Полный офлайн-цикл: вы говорите, маленькая модель распознаёт, большая — планирует, система — выполняет.
• Децентрализация: В будущем такие агенты могут работать в сетях типа Flow Protocol, обмениваясь анонимными анонимизированными паттернами энергопотребления.

Пока корпорации строят умные города, вы можете построить умный дом. Настоящий умный дом — который думает о вас, а не о продаже ваших данных. HomeGenie даёт эту возможность уже сегодня. Нужно только немного времени, сервер и желание отключиться от облаков.