智能家居Agent架构：从规则引擎到LLM增强的演进

1. 项目概述：HomeSense Agent的定位与价值

HomeSense Agent是我在过去两年持续迭代的一套智能家居控制系统，核心目标是通过Agent架构实现设备间的自主协同。与市面上大多数基于规则引擎的解决方案不同，这个项目从一开始就采用了Harness Engineering理念——即通过代码约束（Harness）来规范Agent行为，而非硬编码业务逻辑。

这种架构选择源于实际痛点：当家中设备超过30个时，传统if-then规则会变得难以维护。比如"如果客厅有人且温度>28℃则开空调"这样的规则，在加入光照强度、湿度、电费单价等变量后，组合爆炸会让配置界面变成灾难。而Agent通过自主决策+约束框架的方式，既保留了灵活性又避免了混乱。

2. 架构演进的关键阶段

2.1 初始阶段：事件驱动型Agent（v0.1）

第一版架构非常简单，采用经典的事件-条件-动作（ECA）模型：

python复制class BasicAgent:
    def on_event(self, event):
        if event.type == "motion_detected":
            self.turn_on_lights()

这种实现的缺陷很快暴露：

1. 无法处理冲突场景（如同时收到"开灯省电"和"关灯助眠"的指令）
2. 所有逻辑集中在单一agent内，扩展性差

2.2 中期重构：基于约束的Multi-Agent系统（v1.0）

第二版引入三个关键改进：

1. 职责分离：拆分为环境感知、决策、执行三类Agent
2. 约束管理器：用YAML定义行为边界

yaml复制constraints:
  - name: energy_saving
    priority: 2
    condition: "electricity_price > 0.8"
    actions:
      - "disable_heavy_appliances"

3. 轻量级BDI模型：Belief-Desire-Intention架构的简化实现

实测发现，这种架构下新增设备配置时间从平均45分钟缩短到10分钟，但带来了新的调试复杂度。

2.3 当前版本：LLM增强型架构（v2.2）

最新版本的核心创新点：

• 混合决策机制：简单规则（<3个变量）走传统Agent，复杂场景调用本地化部署的LLM
• 动态约束加载：根据时段/电量/网络状况自动切换约束策略
• 记忆压缩算法：采用环形缓冲区+关键事件快照保存长期记忆

典型工作流示例：

mermaid复制graph TD
    A[传感器数据] --> B{规则复杂度判断}
    B -->|简单| C[规则引擎]
    B -->|复杂| D[LLM推理]
    C --> E[动作执行]
    D --> F[约束检查] --> E

3. 核心技术实现细节

3.1 约束冲突解决算法

开发的自适应优先级算法包含以下步骤：

1. 计算基础优先级（静态配置）
2. 叠加动态权重（如当前电费单价）
3. 应用衰减系数（对长时间未触发的约束适当提升优先级）

公式表达：

code复制final_priority = base_priority * (1 + dynamic_weight) * decay_factor

实测数据显示，该算法使冲突决策准确率从78%提升到93%。

3.2 资源受限下的LLM调用

在树莓派等边缘设备上的优化策略：

• 提示词压缩：用自定义字典将"客厅温度28℃"编码为"LR|T|28"
• 结果缓存：对相似输入复用历史决策（基于感知数据哈希值）
• 量化模型：将7B模型压缩到2.6GB大小且保持90%原有效果

3.3 安全防护机制

关键安全设计包括：

1. 物理开关串联：所有执行器电路保留机械开关
2. 三阶动作确认：预测动作 → 用户提醒 → 最终执行
3. 网络隔离：执行层Agent仅通过串口通信

4. 性能优化实战记录

4.1 内存占用优化对比

优化手段：

• 用Protobuf替代JSON进行进程间通信
• 将Python核心模块改用Cython重写
• 实现零拷贝数据共享机制

4.2 典型场景性能提升

晨间模式启动时间从4.2秒缩短到1.8秒的优化路径：

1. 分析火焰图发现30%时间花在窗帘Agent初始化
2. 将窗帘状态检查从同步改为异步预加载
3. 对电机驱动指令进行批处理

5. 踩坑经验与避坑指南

5.1 多Agent通信的经典问题

问题现象：
灯光闪烁（开-关快速循环）

根因分析：
环境感知Agent和节能Agent形成负反馈循环：

1. 感知到有人 → 开灯
2. 节能Agent检测到光照足够 → 关灯
3. 感知到光线变化 → 重新开灯

解决方案：
引入决策协调器，要求所有灯光控制请求必须附带抑制时间窗：

python复制def set_light(state, suppress_ms=3000):
    self.current_state = state
    self.suppress_until = time.now() + suppress_ms

5.2 LLM幻觉的应对策略

观察到的问题：
要求"提高客厅舒适度"时，LLM偶尔会建议打开不存在的设备。

现行解决方案：

1. 在提示词中嵌入设备清单
2. 执行前校验设备是否存在
3. 对未知建议要求用户确认

6. 扩展应用与未来方向

当前架构经少量修改已成功应用于：

• 小型办公室能耗管理
• 实验室设备自动化控制
• 农业大棚环境调节

正在探索的改进方向：

1. 基于联邦学习的多家庭协同优化
2. 引入视觉Agent处理复杂场景理解
3. 开发移动端即时策略覆盖功能

这套架构最让我满意的不是某个具体功能，而是其自适应能力——上周家中新增一台空气净化器时，系统仅用17分钟就自主将其纳入了环境调节体系，完全不需要我手动配置规则。这种可进化性正是Harness Engineering的精髓所在。