Home Assistant 的本地 AI：Ollama 和 MCP

本地AI智能家居助手：部署与优化全攻略

通过结合Ollama、Whisper、OpenClaw和n8n，无需云服务即可为Home Assistant部署AI助手。该方案在GPU上处理语音命令仅需3–6秒，涵盖语音转文字、意图分析和HA服务调用。针对Llama 3.1 8B模型的工具调用限制，关键解决方案是将HA上下文注入提示词，而非依赖工具调用功能。

Ollama本地运行模型：phi3:mini（需4 GB显存）、llama3.1:8b（需6–8 GB显存）。在CPU上延迟可达30秒；使用CUDA加速后，响应时间缩短至2–5秒。如需外部访问：在systemd覆盖配置中设置OLLAMA_HOST=0.0.0.0:11434，并在.env文件中设置OLLAMA_API_KEY=ollama-local。

Whisper base模型支持俄语识别。在P106-100显卡（6 GB显存，CUDA）上——10秒音频处理仅需0.5秒（实时19倍速）。在CPU上——需25–30秒（实时0.4倍速）。此差异直接影响助手的响应速度。

MCP协议与OpenClaw集成

模型上下文协议（MCP）通过/api/mcp为AI提供HA实体访问权限。OpenClaw是支持MCP的智能体，可连接Ollama和HA。

在配置OpenClaw前需完成MCP设置：在HA中生成长期访问令牌，在集成中激活MCP服务器，并在openclaw.json中配置。部署选项：

• 使用HA插件简化安装。
• 若HA硬件性能不足（如树莓派/Odroid），可在独立主机（如NUC）上通过Docker部署。

网络检查：docker compose exec openclaw ping -c 1 <HA_IP>。自2026.2.21版本起，Web界面仅支持HTTPS（若端口冲突：8443:443）。配对流程：devices list → devices approve <requestId>。

OpenClaw稳定性配置：

• gateway.bind: "lan" 或 "auto"。
• tools.profile: "full", deny: ["message", "sessions_send"]。
• contextWindow: 16384, maxTokens: 163840。
• tools.deny: ["web_search", "web_fetch"] 以避免402错误。

通过n8n编排与工具调用替代方案

n8n连接Telegram → Whisper → Ollama → HA。包含两个工作流：

• 主工作流：Telegram触发器 → Whisper → Ollama → HA API → 响应。
• 子工作流作为代理工具处理HA调用。

Llama 3.1 8B模型工具调用支持较差：易产生幻觉，无法调用真实工具。解决方案——使用update-ha-context.sh脚本：

• 通过mcporter获取HA数据（如恒温器、温度）。
• 写入TOOLS.md文件。
• 定时任务：/5 * /path/to/update-ha-context.sh。

模型在提示词中看到当前上下文：“卧室温度为19.5°C（目标25°C）”。为8B模型禁用mcp-hass。

自动化脚本与部署

部署与更新自动化脚本：

| 脚本 | 用途 |

|--------|---------|

| update-server.sh | 复制.env、docker-compose、openclaw.json、mcporter.json、TOOLS.md文件。运行docker compose pull && up -d。 |

| update-ha-context.sh | 更新TOOLS.md中的HA数据（每5分钟定时执行）。 |

| test-openclaw.sh | 测试Ollama API（90秒超时）。 |

| approve-device.sh | 设备配对。 |

| pre-commit | 阻止提交敏感文件（如.env、令牌）。 |

部署命令：SSHPASS=password ./scripts/update-server.sh 至 [email protected]。

mcporter需在data/workspace/config/目录中放置mcporter.json（由脚本复制）。技能安装：npx clawhub install mcp-hass。

三主机架构设计

优化负载分配：

• Proxmox虚拟机（GPU GTX 1060）：运行Ollama（llama3.1:8b）、Whisper base、n8n。占用6 GB显存。
• NUC主机：运行OpenClaw Docker（仅CPU）。
• Odroid设备：运行Home Assistant。

请求流程：Telegram/界面 → OpenClaw → Ollama（含HA数据的TOOLS.md） → 响应。无需工具调用，无需云端服务。

关键要点

• GPU对Whisper至关重要：速度提升50倍（0.5秒对比30秒）。
• 先配置MCP再部署OpenClaw：否则OpenClaw无法识别HA。
• 为Llama 8B模型注入上下文：使用update-ha-context.sh替代工具调用。
• OpenClaw控制界面需HTTPS和配对。
• n8n中的两个工作流：主工作流 + 代理工具。

— Editorial Team