在智能家居場景中，我們經常遇到這樣的尷尬：

你説：“把燈打開。” —— 它可以執行。

你説：“如果檢測到漏水，就把水閥關了併發個通知。” —— 它可能聽不懂了。

你説：“有點冷，把空調調高一點。” —— 它問你：“一點是多少？”

在物聯網（IoT）時代，我們希望智能家居不僅僅是“遙控器”，而是能聽懂人話的“管家”。

我們測試了市面上幾款主流大模型——它們的回答五花八門，有的直接調風速但忘了時間設置，有的創建了時間觸發卻丟失了條件判斷，甚至還有把指令誤解為“設定鬧鐘”的。真正能完美解析出“延時+條件+多參數”三重嵌套指令的模型，鳳毛麟角。

今天，我們將通過一次完整的實戰，展示如何基於 LLaMA Factory Online 平台，利用高質量數據清洗和微調，讓輕量級的 Qwen3-4B 模型在智能家居垂直場景下，不僅能聽懂“把風速調小一點”這種模糊指令，還能處理“檢測到漏水即關閉水閥”的複雜鏈式操作。

效果對比：微調前 vs 微調後

在開始硬核教程前，我們先來看看微調後的模型到底變聰明瞭多少。

場景一：條件觸發- 從“被動響應”到“主動感知”

場景描述：傳統智能家居本質是“語音遙控器”，用户不開口，設備不工作；微調後的模型具有主觀能動性，它不僅僅是執行者，更是決策者，能夠基於傳感器數據（時間、温度、光線、氣體濃度等）的變化，自主決策並觸發相應的設備控制，如空調、新風、窗簾等設備，動態維持環境的最佳狀態，實現真正的“空間智能”。

用户指令："半小時後請把空氣淨化器的風速調大到3檔位"

場景二：鏈式操作-從“單點控制”到“邏輯編排”

場景描述：通過微調優化模型的邏輯推理與任務規劃能力，將單一的指令轉化為一系列具有邏輯依賴關係的設備協同動作。用户無需逐個下達指令（如“打開電視”、“拉上窗簾”、“調暗燈光”），只需表達最終目的，中間的步驟由模型自動補全。

用户指令："當檢測到漏水時，關閉水閥併發送通知"

場景三：模糊指令-從“機械匹配”到“意圖理解”

場景描述：將用户口語化、情緒化甚至表述不清的指令準確解析並映射為具體的設備控制參數，用户不再需要記憶特定的喚醒詞或參數（如“空調調到24度”），而是可以用人類自然的交流方式（如“我有點冷”、“這裏太吵了”）與系統對話。由微調後的模型賦能的系統不再是冷冰冰的機器，而是能聽懂“言外之意”的貼心管家，極大地提升了交互的流暢度和用户的滿意度。

用户指令："三樓空調温度調小一點"

環境準備：搭建端到端的AI訓練流水線

本實踐包含智能家居“數據處理-基礎模型選型-參數調優-微調訓練-模型效果評估”完整鏈路，需要單獨創建一個python環境，並配置需要的工具。

1.下載 SmartHome 壓縮文件

該文件中包含後續處理數據、模型功能測試等步驟所需的數據集和腳本。

進入 LLaMA Factory Online 平台，創建實例（選擇CPU資源2核即可），選擇“VSCode處理專屬數據”或“Jupyter處理專屬數據”。進入工作空間後，新建終端，執行下面指令下載並解壓文件。

# 進入目標目錄
cd /workspace
# 下載壓縮文件
wget "http://llamafactory-online-assets.oss-cn-beijing.aliyuncs.com/llamafactory-online/docs/v2.0/documents/Practice/smart_home/SmartHome.tar.gz"
# 解壓到該目錄
tar -xzf SmartHome.tar.gz -C /workspace

2.新建終端，逐條執行下面指令配置環境

# 創建自己的虛擬環境  
conda create -n smarthome-lightllm-chat python=3.10 -y 
# 激活環境 
conda activate smarthome-lightllm-chat
# 安裝必要的包
python -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn vllm torch ipykernel pandas partial_json_parser websockets

3.模型部署前期準備

# 下載lightllm的最新源碼 需要掛VPN
git clone https://github.com/ModelTC/lightllm.git
cd lightllm

點擊下載requirements.txt文件（🔗https://s1.llamafactory.online/llamafactory-online/docs/v2.0/documents/Practice/smart_home/requirements.txt），將該文件放到/workspace目錄下，執行下面的命令進行安裝環境。

pip install -r requirements.txt 
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu126
# 安裝lightllm
python setup.py install

💡提示

● 環境準備→步驟2 中，執行下載 lightllm 的源碼前，需要掛VPN。

● 後續步驟在執行代碼時，若提示模塊不存在，可在終端運行對應的 pip install [module name] 命令，通常能解決該問題。

數據重塑：從“原始日誌”到“標準教材”

Garbage In, Garbage Out。在本次實踐中，我們發現原始的 SmartHome_Dataset 存在大量問題（如缺少 function 字段、條件判斷失效等）。直接扔進模型訓練，效果慘不忍睹。

後續計劃補充數據類型：

我們做了這三件事，讓數據“變廢為寶”：

1. 統一數據格式

修復了大量損壞的 JSON 結構，將所有數據轉為標準 Alpaca 格式，確保每條數據都有清晰的instruction（用户指令）和output（標準JSON響應）。

①數據格式標準化。採用 Alpaca 格式，適配單輪指令任務。

{
"instruction": "用户指令（如“打開客廳空調”）",
"input": "額外輸入（可選，如設備狀態）",
"output": "JSON格式響應（含mcp_type、function、params字段）"
}

💡提示

● 由於多輪對話複雜，超出本任務需求，故排除 ShareGPT 格式。

②在“output”中補全缺失的字段“function”。

進入“SmartHome”文件夾，新建終端，激活 Python 環境 smarthome-lightllm-caht ，在命令行輸入以下指令運行腳本，完成數據集的“funcion”字段補全。

python3 code/function_fixed.py  \
-i dataset/smart_home.json \
-o dataset/training_data_output.json \
-r dataset/missing_function_report.csv

💡提示

● python3 後要寫：腳本文件的路徑

-i 後寫：待處理數據集的路徑

-o 後寫：處理後的數據集存儲路徑

-r 後寫：輸出的處理報告的存儲路徑

用户需要把相應的路徑替換成自己的真實路徑。

● 補全function的思路為：

讀取文件中 "instruction","input","output" 的樣本，解析 output 裏的 JSON 字符串；如果缺少 "function" 字段，就根據 instruction 文本 + device_id 前綴 + params 裏的鍵自動補全一個合適的函數名（如 set_light_settings、set_humidifier_settings 等），然後把修改後的對象再寫回到 output。

2.定義條件觸發與自動化聯動邏輯

這是這是智能家居實現“無感智能”的核心。我們不僅教會模型理解“如果…就…”的簡單條件，更灌輸了設備自主感知環境並協同聯動的複雜場景邏輯。

● 核心理念升級：觸發條件並非僅來自用户指令，更多源於設備自身對環境的持續監測（如傳感器檢測到PM2.5超標、攝像頭識別到家人回家、時鐘到達預設時間）。模型的任務是理解這些“環境事件”，並規劃出正確的設備聯動響應。

● 場景化規則制定：

○ 環境自適應：例如，“trigger”: {"pm25": {">": 75}} 對應 “action” 為 [“打開新風系統”， “關閉空調內循環”]。這模擬了空氣淨化設備基於空氣質量自主決策的互動。

○ 節能與舒適聯動：例如，“trigger”: {"ac_status": "on"} 可觸發 “action” [“關閉窗户”， “檢查室內CO2濃度”]，體現了空調開啓後，智能空間自動維持密閉環境並監控空氣健康度的邏輯。

○ 鏈式場景觸發：一個觸發條件可啓動一連串設備動作。例如，“trigger”: {"time": "22:00", "motion_bedroom": "no_motion_30min”} 可觸發完整的“睡眠模式”：關閉主燈、調暗夜燈、調節空調至睡眠温度、啓動助眠白噪音。

3.解決條件判斷失效問題

針對條件判斷失效的問題，使用以下規則改寫。累計修改樣本1,510 條。

①命中"instruction"中“條件+動作”的指令（如果/若/當/當/的話/的話/分鐘後/分鐘後/小時後/小時後）：

"mcp_type": "sensor_trigger",
"function": "create_automation",
"params": {
  "trigger": { ... },
  "action": { "device_id": "<原始device_id>", "arg": "<來自power/turn_on|turn_off>" }
  }

②相對時間（如“一小時/一小時/半小時/半小時/五分鐘/十分鐘/…後”）：

trigger 寫成：{"time_after": "NhNmNs"}，並支持中文數字轉換，  
例：
一小時/一小時 → "1h"
半小時/半小時 → "30m"
五分鐘/五分鐘 → "5m"
十分鐘/十分鐘 → "10m"

③絕對時間（如“十點三十分/10:30/十點半/十點十分”）：

trigger 寫成：{"time": "HH:MM"}（24小時制標準化）

④比較條件（温度/濕度/PM2.5/CO₂/電量等 + 大於/小於/≥/≤/…）：

"trigger": {
  "temperature" | "humidity" | "pm25" | "co2" | "battery": { "operator": ">/</>=/<=", "value": <數值> }
}

4.解決鏈式操作失效問題

命中"instruction"中連續操作的指令（如：“先...後.../並且/...然後”等），將“output”的“params”統一為：

"params":{
  "trigger":{ }, 沒有觸發條件，"trigger"為空。
  "action": [{"device_id": " ", "command": "", "arg":{ }}, {"device_id": "", "command":" ", "arg":{ }}]}

5.解決模糊指令操作失效問題

命中"instruction"中表達模糊的指令（如：“調低一點” “加強” “調弱” “小一點”等），將“output”的“params”統一為：

"params":{
  "trigger":{ }, 沒有觸發條件，"trigger"為空。
  "action": {"device_id": " ", "command": "", "arg":{ }}}
 
其中："arg" 參數，使其體現出明確的控制如：改成自動模式，或者 加參數"delta"

5.補充數據類型：複雜場景和異常指令

複雜場景——智能家居的複雜場景通常涉及多設備、多傳感器、多協議的協同工作，結合用户行為、環境變化和個性化需求，提供智能化的生活體驗。例如：

● 睡眠模式，涉及環境光傳感器、智能窗簾、空調控制、音響系統等； "instruction": "準備睡覺時，關閉所有燈光，調低卧室空調温度，播放助眠音樂。"

● 老人/兒童看護模式，涉及運動傳感器、攝像頭、語音助手等。 "instruction": "監測老人的活動，若超過30分鐘未檢測到移動，發送提醒。"

異常指令——指令由於格式不正確、設備不支持、指令不明確等原因導致執行失敗。我們希望在實際應用中，系統應能夠識別這些錯誤指令，並提供相應的錯誤信息和建議。 例如：

{
  "instruction": "今天天氣怎麼樣",
  "input": "",
  "output": "{"error": "NOT_A_CONTROL_COMMAND", "message": "這是天氣查詢，不是設備控制", "suggestion": "請使用天氣應用查詢"}"
},

經過上述處理步驟，我們將 12,000+ 條原始數據精簡優化為 9,352 條高質量數據，涵蓋基礎控制、條件判斷、鏈式操作、複雜場景和異常指令等場景。實驗證明，數據質量 > 數據數量，精準修復比盲目增廣有效得多。

模型選型：4B模型如何戰勝7B選手？

智能家居交互要求輕量級、快響應、高精度的大模型，來適配邊緣設備。面對眾多模型，我們設定了嚴苛的選型標準：參數量適中、指令跟隨能力強、結構化輸出精準。

候選池中有三大模型：

● Llama-2-7B-Chat：名聲在外，但7B參數對邊緣設備不夠友好

● SmolLM2-1.7B-Instruct：足夠輕量，但能力捉襟見肘

● Qwen3-4B-Instruct：折中之選，但實力未知

我們需要對比它們在智能家居控制任務上的表現。核心評判指標為：

● Schema通過率：生成的JSON格式是否規範、字段是否齊全

● Slot-F1值：設備ID、檔位、時間等關鍵參數抽取是否準確

● 推理延遲：單次響應速度

1.驗證集準備。本實踐選擇Smart Home Command Dataset（🔗https://huggingface.co/datasets/youkwan/Smart-Home-Control-Zh）作為基準數據，該數據集旨在用繁體中文訓練大型語言模型（llm），用於控制智能家居系統，特別是針對家庭助理系統。數據集包含用户輸入的繁體中文，輸出是結構化的JSON命令，代表用户控制智能家居設備的意圖。我們隨機抽取300條數據樣本作為驗證集。

2.vLLM 批量驗證。使用 vLLM 對大語言模型（Llama-2-7B-Chat，Qwen3-0.6B-Base，Qwen3-4B-Instruct）進行批量驗證，並對比它們在智能家居控制任務上的表現。新建終端，逐條執行以下命令。

cd /workspace/SmartHome/code
conda activate smarthome-lightllm-chat
python select_1.py

運行完後的結果如下圖所示：

💡提示

● 腳本select_1.py中的數據讀取路徑要修改為您當前的驗證集保存路徑。

● 若運行過程中報錯“缺少某個module”，運行指令 pip install {module的名字}

該驗證腳本的主要思路如下所示：

● 使用 vLLM 庫對每個模型執行批量推理，從驗證數據集中逐條輸入指令，獲得模型生成的結構化 JSON 輸出。

● 校驗JSON輸出結構的合法性。

● 使用 JSON Schema 自動驗證格式。自定義一個 JSON Schema，並利用 Python 的 jsonschema 庫對每條輸出進行校驗。

● 輸出與期望結果對比。 將模型生成的具體內容與驗證集中每條樣本的 expected_events 期望結果進行對比，以評估模型在內容層面的準確性。每條樣本的 expected_events 列出該指令正確的執行動作列表（每個包含應執行的動作類型、設備ID、參數等）。

最終，三個模型對比結果如下表所示：

結果令人意外：4B的 Qwen3 在參數規模、推理延遲等方面不僅大幅領先7B的 Llama2，其 96% 的Schema通過率意味着它幾乎能“一次成型”輸出標準指令格式。這説明，模型能力不只看參數量，指令微調潛力同樣關鍵。因此，Qwen3-4B-Instruct 被選定為本次微調的基模型。

科學調優：找到學習效率的“黃金參數”

有了好學生和好教材，還需要科學的“教學方法”。我們針對LoRA微調中的三個關鍵參數展開實驗：

實驗設計：3因素×3水平，共27組參數組合對比

● LoRA rank：16、32、64（控制模型微調容量）

● 學習率：1e-5、3e-5、5e-5（控制學習速度）

● Batch size：2、4、8（控制單步學習樣本量）

我們跟蹤每組參數訓練的損失曲線和最終“高級功能通過率”（條件+鏈式指令），篩選最優組合：

💡提示

● 測試完一個實驗模型的通過率後，要起另一個服務測試下一個模型時，需要關閉當前進程（可以直接關機，重新啓動實例）。

參數選擇不是“越大越好”，而是要在效果、速度和成本間找到精妙平衡。最終，我們鎖定了這套“黃金參數”：

平台實戰：三步完成從訓練到部署

基於選定的 Qwen3-4B-Instruct 模型和調優後的參數，我們在 LLaMA-Factory Online 平台上的操作變得異常簡單：

第一步：配置訓練任務

選擇基礎模型和數據集，進行參數配置：

● 基礎模型：平台內置的 Qwen3-4B-Instruct

● 數據集：處理好的 smart_home_fixed.json

● 關鍵參數：LoRA rank=32，學習率=3e-5，epoch=4，Batch Size=4

● 訓練資源：1張 H800（約2.5小時完成訓練）

第二步：模型評估驗證

訓練完成後，可在 LLaMA-Factory Online 上對模型進行全面評估，並查看評估任務的基本信息、日誌及結果：

評估結果解讀：

● predict_bleu-4: 72.3829，生成文本在短語層面與參考有良好重合，精確度較好。

● predict_rouge-1: 76.2083，關鍵詞覆蓋良好，模型能命中參考中的大量關鍵字。

● predict_rouge-2: 76.8263，局部短語連貫性較好，短語搭配合理。

● predict_rouge-l: 82.4938，整體段落結構很接近參考。

總結：模型生成質量較好（BLEU/ROUGE 都在 70~82 範圍，尤其 ROUGE-L 表現很強），但推理吞吐/速度一般（samples/sec ≈1），適合以質量為主的離線或低併發在線場景；若用於高併發在線服務需進一步做推理優化。

第三步：一鍵對話測試

在“模型對話”界面選擇微調後的模型，即可實時體驗複雜指令解析：

模型輸出結果解讀：

效果總結：從“大概理解”到“精準執行”

微調前後的差異，通過量化指標和典型場景對比一目瞭然：

場景一：條件觸發性指令

用户指令：“半小時後請把空氣淨化器的風速調大到3檔位”
微調前：模型僅將其識別為簡單的風速設置（“control_device”, “level”: 3），完全忽略了“半小時後”這一核心時間條件，導致指令被立即執行。❌
微調後：模型精準識別出“時間延遲觸發”的意圖，輸出完整的自動化創建指令（“sensor_trigger”, “create_automation”），包含 “time_delay” 觸發條件與具體動作，實現了真正的“條件執行”。✅

場景二：鏈式操作型指令

用户指令：“當檢測到漏水時，關閉水閥併發送通知”
微調前：模型僅輸出一個緊急處理動作（“handle_emergency”, “emergency_stop”），遺漏了“發送通知”這一關鍵步驟，應對措施不完整。❌
微調後：模型正確解析出“傳感器觸發”與“多步驟動作”的複合結構，輸出的 params 中包含完整的觸發條件（“water_leak_sensor_01”: “leak”）和一個有序動作列表（關閉水閥、發送通知），邏輯嚴謹。✅

場景三：模糊型指令

用户指令：“三樓空調温度調小一點”
微調前：模型只能識別出設備（空調）和操作（設置温度），但在 params 中缺失具體的調整參數，無法執行。❌
微調後：模型準確理解了“調小一點”的相對性模糊表達，在參數中增加了 “delta”: -1 字段，明確指示“在現有温度基礎上降低1度”，實現了符合用户預期的精準控制。✅

可以看到，相較於基模型（Schema通過率<20%），微調後的模型在複雜指令解析上實現了質的飛躍。

總結：AI落地智能家居的三重突破

本次實踐成功驗證了一條高效構建垂直領域專用模型的技術路徑，實現了三重突破：

● 輕量化突破：僅用4B參數模型，在邊緣設備友好條件下，達到了接近甚至超越通用大模型的垂直場景精度。證明了“小模型+精調優”路徑的可行性。

● 精準化突破：通過系統化的數據工程，讓模型真正理解家居場景下的條件邏輯、時間概念和模糊表達，輸出標準化、可執行的設備控制指令。

● 場景化突破：不僅覆蓋基礎控制，更深度適配了智能家居特有的條件觸發、場景聯動、異常處理等複雜需求，讓AI真正融入家庭場景。

更重要的是，通過 LLaMA-Factory Online 平台，我們將原本需要數週的專業微調流程，壓縮到了“幾個小時+幾次點擊”的標準化操作。模型選型、數據準備、參數調優、訓練評估的全流程，都可在可視化界面中完成。

智能家居的終極目標是“無感智能”——設備理解人的意圖，而非人學習設備的操作。今天，我們通過大模型微調技術向這個目標邁出了堅實一步。當每個家庭都能擁有理解上下文、支持複雜指令的個性化AI管家時，真正的智能生活才剛剛開始。