大模型+智能家居解决方案--小米MiLoco部署

优质文章学习记录

— 10 min read
大模型+智能家居解决方案--小米MiLoco部署

一、Miloco简介

小米推出了首个“大模型+智能家居”解决方案Xiaomi Miloco，全称为 Xiaomi Local Copilot（小米本地协同智能助手）。

https://gitee.com/xiaomi-miloco/xiaomi-miloco

1、GitHub地址

https://github.com/XiaoMi/xiaomi-miloco

Miloco以米家摄像头为视觉信息源，以自研大语言模型MiMo-VL-Miloco-7B为核心，连接家中所有物联网（IoT）设备，框架面向所有人开源。MiMo-VL-Miloco-7B模型基于小米4月发布的MiMo模型调优而来，“天才少女”罗福莉最近加入的正是MiMo模型团队。

这很可能是智能家居的“ChatGPT时刻”，小米AIoT平台截至今年6月已连接的IoT设备数（不含智能手机、平板及笔记本计算机）达9.89亿台，数以亿计的米家摄像头、小爱音箱、台灯等设备都有望用上大模型。

从小米公布的Miloco页面来看，页面主视觉是一个类似于ChatGPT的聊天框，聊天框的左侧具有智能家居设备的导航栏，包括AI中心、模型管理、MCP服务、设备管理等选项；“相机设备”独立成一栏，陈列了一些智能摄像头记录的视频。

2、关键特性

  1. 交互新范式：基于大模型的开发范式，通过自然语言交互就可以完成规则设置、设备的复杂指令控制。
  2. 视觉数据新用途：以摄像头数据流作为感知信息源，使用大模型将视觉数据包含的各种家庭场景事件解析出来，用于回复用户 Query。
  3. 端侧大模型：将家庭场景任务拆分规划+视觉理解两个阶段，提供小米自研端侧模型，实现端侧视频理解，保障家庭隐私安全。
  4. 米家生态：打通米家生态，支持米家设备、米家场景的获取与执行，支持自定义内容发送米家通知。

Miloco还通过标准化的MCP协议封装，实现米家生态与全球最大开源智能家居社区Home Assistant生态的打通，同时开放支持第三方IoT平台接入。

从项目公布的软硬件要求来看，部署Miloco硬件要求不高，仅需要硬件搭载x64架构，图形处理器在英伟达30系列及以上，存储要在16GB及以上即可。

▲Miloco部署的软硬件需求

据悉，Miloco的全屋智能差异化体验，依托于Xiaomi MiMo-VL-Miloco-7B端侧视觉语言大模型与“硬件-能力-应用-用户”四层完整架构的支撑。

3、Miloco的四层架构

二、快速开始

1、系统要求

  • 硬件要求
CPU: x64 架构 显卡: NVIDIA 30系及以上显卡，显存 8GB 及以上（最低），建议 12GB 及以上 存储: 建议 20GB 及以上可用空间（用于本地模型存储）
  • 软件要求
操作系统: - Linux: x64 架构，建议 Ubuntu 22.04 及以上 LTS 版本 - Windows: x64 架构，建议 Windows 10 及以上版本，要求支持 WSL2 - macOS: 暂不支持 Docker: 20.10 及以上版本，需要支持 docker compose NVIDIA 驱动: 支持 CUDA 的 NVIDIA 驱动 NVIDIA Container Toolkit: 用于Docker GPU支持

2、安装依赖环境

注意: 请确保您的系统满足上述硬件和软件要求。windows 系统需要进入 wsl 环境。

（1）WSL安装与配置

https://gitee.com/xiaomi-miloco/xiaomi-miloco/blob/main/docs/environment-setup-windows_zh-Hans.md

系统要求： Windows11 22H2 及以上版本 + WSL2

在系统中搜索然后打开控制面板，点击程序>启动或关闭 Windows 功能，然后勾选 Hyper-V 和适用于 Linux 的 Windows 子系统，点击确定，等待系统安装更新后重启

安装 WSL

在系统中搜素终端然后打开，输入wsl --install，等待 WSL 安装完成；如果已经安装，可以使用wsl --update更新到最新版本

下载 WSL2 Linux 发行版

打开 Windows 自带的应用商店，搜索 Ubuntu ，然后下载 Ubuntu24.04.1 LTS

在 Windows 终端可使用wsl --list --online查看在线的发行版，然后输入wsl --install -d Ubuntu-24.04安装

使用 WSL2

在应用商店下载完成后，可以点击打开按钮，然后按照提示输入用户名和密码，完成初始化

在终端输入wsl -d Ubuntu-24.04，然后按照提示输入用户名和密码，完成初始化

（2）WSL常用操作
# 启动默认发行版

wsl

# 退出当前发行版

exit # 或 logout

# 列出所有发行版（含状态）

wsl --list --verbose # 简写 wsl -l -v#

查看详细信息

wsl --status

# 设置默认启动发行版

wsl --set-default Ubuntu-22.04

# 卸载指定发行版（数据丢失）

wsl --unregister Ubuntu-20.04

# 查看WSL2的IP地址

ip addr show eth0 | grep 'inet\b' | awk '{print $2}' | cut -d/ -f1

# 关闭所有WSL实例

wsl --shutdown

# 运行特定发行版命令 wsl -d Ubuntu-22.04 -e bash -c "echo Hello"

#重启版本

wsl --terminate <DistributionName>

wsl --distribution <DistributionName>


网络模式配置

在系统中搜索 WSL Setting ，点击网络，然后将网络模式修改为 Mirrored ，修改完成后，需要使用wsl --shutdown停止子系统，然后重新运行wsl -d Ubuntu-24.04进入子系统，输入ip a查看子系统网络配置是否和宿主机器一致。

设置为 Mirrored 模式后，需要配置 Hyper-V 防火墙，允许入站连接。

在 PowerShell 窗口中以管理员权限运行以下命令，以配置 Hyper-V 防火墙设置，使其允许入站连接：

Set-NetFirewallHyperVVMSetting -Name '{40E0AC32-46A5-438A-A0B2-2B479E8F2E90}' -DefaultInboundAction Allow # 使用下述命令获取WSL防火墙策略 Get-NetFirewallHyperVVMSetting -PolicyStore ActiveStore -Name '{40E0AC32-46A5-438A-A0B2-2B479E8F2E90}' # DefaultInboundAction和DefaultOutboundAction为Allow即可: # Name : {40E0AC32-46A5-438A-A0B2-2B479E8F2E90} # Enabled : True # DefaultInboundAction : Allow # DefaultOutboundAction : Allow # LoopbackEnabled : True # AllowHostPolicyMerge : True
（3）Docker环境

使用官方脚本安装（ WSL2 中官方推荐 Docker Desktop 安装，可以忽略提示，采用下述命令直接安装）

curl -fsSL https://get.docker.com | bash -s docker # 中国国内用户可以指定Aliyun源安装 curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun

可将当前用户加入 docker 组，从而可以直接使用 docker 命令：

sudo usermod -aG docker $USER

添加完成后，需要重新登录，以使用户组更改生效。 使用命令docker --version验证是否安装成功。

（4）显卡驱动及开发工具（任选一个）
# 25-11-1更新 # 安装CUDA Toolkit（推荐安装） wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt-get update sudo apt install nvidia-cuda-toolkit # 安装NVIDIA Driver sudo apt-get -y install cuda-drivers

# 25-11-1更新 # 配置下载源 sudo apt-get update && sudo apt-get install -y --no-install-recommends curl gnupg2 curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \ && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \ sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo sed -i -e '/experimental/ s/^#//g' /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt-get update export NVIDIA_CONTAINER_TOOLKIT_VERSION=1.18.0-1 sudo apt-get install -y \ nvidia-container-toolkit=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \ nvidia-container-toolkit-base=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \ libnvidia-container-tools=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \ libnvidia-container1=${NVIDIA_CONTAINER_TOOLKIT_VERSION}

3、环境验证

（1）验证 Docker

使用hello-world镜像验证 Docker 是否安装成功，如果显示Hello from Docker!则表示安装成功。

docker run hello-world # 验证完成后，可移除镜像 docker rmi hello-world
（2）验证 NVIDIA 显卡驱动

使用命令nvidia-smi验证 NVIDIA Driver 是否安装成功，如果显示显卡驱动和 CUDA 工具包信息，则表示安装成功。

使用命令nvcc --version验证 NVIDIA CUDA Toolkit 是否安装成功，如果安装成功，会显示版本信息。

（3）验证 NVIDIA Container Toolkit

使用下述命令验证 NVIDIA Container Toolkit 是否安装成功，如果显示显卡驱动和 CUDA 工具包信息，则表示安装成功。

docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi # 验证完成后，可移除镜像 docker rmi nvidia/cuda:12.4.0-base-ubuntu22.04

4、miloco安装与启动

下载源码后，执行一键安装脚本

git clone https://github.com/XiaoMi/xiaomi-miloco.git bash scripts/install.sh

miloco安装运行界面：

选择 “1. Quick Install”

选择下载路径：国内推荐 Xiaomi FDS

安装完成提示：

启动服务：

运行服务后的系统运行时状态：

5、前端访问服务

通过https://<your ip>:8000访问服务，如果是本机访问， IP 为127.0.0.1；

📄NOTICE:

  • 请使用 https 访问，而不是 http
  • Windows 下，在 Windows 中可以尝试直接访问 WSL 的 IP 地址，如 https://<wsl ip>:8000
  • macOS 环境下，如果网络模式配置为桥接模式，访问时请使用 Docker 所在虚拟机的 IP。

6、miloco使用

miloco前端管理界面：

设置后端使用的模型：

设置规则：

主界面里可以自动生成，也可以在规则管理里手动添加。这里使用的是手动添加。

注意：

添加规则前，需要在米家APP里测试相关控制设备的有效性。

添加规则时，一定要在设置控制选项点击“测试”按钮，生成有效的米家控制指令，有时AI模型调用生成指令有问题，多测试几遍。

如果设置的规则执行有问题，可以在日志管理查看相关执行日志。

Read more

「2025嵌赛」瑞芯微&飞凌嵌入式赛题全国一等奖｜基于ELF 2开发板的多传感信息融合的多用途巡检机器人

「2025嵌赛」瑞芯微&飞凌嵌入式赛题全国一等奖｜基于ELF 2开发板的多传感信息融合的多用途巡检机器人

全国大学生嵌入式芯片与系统设计竞赛以服务国家嵌入式芯片与相关应用产业的发展大局，加强全国高校学生在相关领域的创新设计与工程实践能力，深化产教融合，培养具有创新思维、团队合作精神、解决复杂工程问题能力等新工科要求的优秀人才为背景。 飞凌嵌入式作为本届大赛协办单位之一，联合瑞芯微在应用赛道中设立专项赛题，并采用基于瑞芯微RK3588芯片设计的ELF 2开发板作为参赛平台，该赛题吸引了超过500支参赛队伍报名，经过线上初审与分赛区复赛的严格选拔，最终64支队伍脱颖而出，成功晋级全国总决赛。备赛期间，飞凌嵌入式技术团队为参赛学生提供了全方位的技术支持与专业培训，助力他们在比赛中充分发挥实力、斩获佳绩。 其中，郑州轻工业大学“调试时长两月半队”团队凭借参赛项目“基于ELF 2开发板的多传感信息融合的多用途巡检机器人”，荣获全国一等奖。该团队由计算机科学与技术学院的李宗洋、靳家林、吴海源三位同学组成，并在于泽琦老师和王晓老师的指导下完成项目。接下来，让我们一起了解这一获奖项目的具体内容。 “调试时长两月半队”团队展示 “基于ELF 2开发板的多传感信息融合的多用途巡检机器人”项目介绍
近五年体内微/纳米机器人赋能肿瘤精准治疗综述：以 GBM 为重点

近五年体内微/纳米机器人赋能肿瘤精准治疗综述：以 GBM 为重点

摘要 实体瘤治疗长期受制于递送效率低、肿瘤组织渗透不足以及免疫抑制与耐药等问题。传统纳米药物多依赖被动累积与扩散，难以在肿瘤内部形成均匀有效的药物浓度分布。2021–2025 年，体内微/纳米机器人（包括外场驱动微型机器人、自驱动纳米马达以及生物混合机器人）围绕“运动能力”形成了三条相互收敛的技术路线： 其一，通过磁驱、声驱、光/化学自驱等方式实现运动增强递药与深层渗透，将治疗从“被动到达”推进到“主动进入”； 其二，与免疫治疗深度融合，实现原位免疫唤醒与肿瘤微环境重塑； 其三，针对胶质母细胞瘤（glioblastoma, GBM）等难治肿瘤，研究趋势转向“跨屏障递送（BBB/BBTB）+ 成像/外场闭环操控 + 时空可控释放”的系统工程。 本文围绕“运动—分布—疗效”的因果链条，总结 2021–2025 年代表性研究与关键评价指标，讨论临床转化所需的安全性、

OpenClaw对接飞书机器人高频踩坑实战指南：从插件安装到回调配对全解析

前言 当前企业办公场景中，将轻量级AI框架OpenClaw与飞书机器人结合，能够快速实现智能交互、流程自动化等功能。然而，在实际对接过程中，开发者常常因权限配置、环境依赖、回调设置等细节问题陷入反复试错。本文以“问题解决”为核心，梳理了10个典型踩坑点，每个问题均配套原因分析、排查步骤和实操案例。同时，补充高效调试技巧与功能扩展建议，帮助开发者系统性地定位并解决对接障碍，提升落地效率。所有案例基于Windows 11环境、OpenClaw最新稳定版及飞书开放平台最新界面验证，解决方案可直接复用。 一、前置准备（快速自查） 为避免基础环境问题浪费时间，建议在开始前确认以下三点： * OpenClaw已正确安装，终端执行 openclaw -v 可查看版本（建议使用最新版，旧版本可能存在插件兼容风险）。 * Node.js版本不低于v14，npm版本不低于v6，通过 node -v 和 npm -v 验证，防止因依赖版本过低导致插件安装失败。 * 飞书账号需具备企业开发者权限（企业账号需管理员授权，个人账号默认具备）
小白前端速成：用HTML+CSS做出超酷边框流动特效（附实战细节）

小白前端速成：用HTML+CSS做出超酷边框流动特效（附实战细节）

小白前端速成：用HTML+CSS做出超酷边框流动特效（附实战细节） * 小白前端速成：用HTML+CSS做出超酷边框流动特效（附实战细节） * 先泼盆冷水：你的网页为啥像古董？ * HTML骨架其实简单得可怜 * 核心原理：纯CSS硬刚，JS请靠边站 * 关键道具逐个掰开揉碎讲 * border和outline其实帮不上忙 * ::before 和 ::after 是主力军 * clip-path 是裁剪大师 * animation 和 @keyframes 是发动机 * 实战代码一：最基础的旋转渐变边框 * 坑预警：为啥你的线不动？ * 坑1：z-index地狱 * 坑2：宽高比崩了 * 坑3：圆角露馅 * 坑4：透明度叠加出幺蛾子 * 实战代码二：按钮悬停触发的精致版 * 这招最适合放哪？别为了炫技而炫技 * 兼容性那些破事：Safari又抽风了 * conic-gradient不支持（iOS 12以下） * clip-