OmniSteward：LLM Agent 赋能，语音文字随心控，智能家居与电脑的超级管家

优质文章学习记录

— 13 min read
OmniSteward：LLM Agent 赋能，语音文字随心控，智能家居与电脑的超级管家

目录

一、前言

在科技日新月异的今天，人工智能正以前所未有的速度改变着我们的生活方式。从智能手机的语音助手到智能家居的自动化控制，AI技术逐渐渗透到生活的各个角落，为我们带来了便捷与高效。OmniSteward正是在这样的背景下应运而生，它作为一款基于大语言模型的全能AI管家系统，致力于打破人机交互的壁垒，为用户打造一个智能、高效、便捷的生活和工作环境。无论是忙碌的上班族希望在工作中提高效率，还是追求高品质生活的家庭用户渴望轻松掌控家居设备，OmniSteward都有可能成为他们理想的智能伙伴，引领我们进入一个全新的智能生活时代。

二、项目概述

OmniSteward是一个正在积极开发中的全能管家系统，它借助大语言模型的强大能力，实现了与用户的语音和文字交互，旨在帮助用户轻松控制智能家居设备以及管理电脑程序。该项目由ElliottZheng主要维护，在开发过程中得到了阶跃星辰开放平台【繁星计划】的支持，并遵循MIT License开源协议。其具备诸多亮点，如支持多轮对话、可调用工具执行复杂任务、兼容多种LLM模型且拓展性强，用户能够方便地自定义和分享工具。通过不断的更新与完善，OmniSteward有望成为智能生活领域的重要应用，为用户提供更加智能化、个性化的服务体验。

在这里插入图片描述

三、功能特性

  1. 多模态交互体验
    • OmniSteward提供了语音和文字两种交互模式，满足用户在不同场景下的需求。语音交互利用先进的语音识别技术，准确理解用户的语音指令；文字交互则为用户提供了精确表达复杂需求的途径。支持多轮对话功能，系统能够依据之前的对话内容和上下文，连续回答用户问题，使交互过程更加自然流畅。例如，用户可以在一系列对话中连续询问不同的问题，OmniSteward都能准确理解并给予合理回应。
  2. 强大的功能集成
    • 智能家居控制：与巴法云等平台对接，用户可通过语音或文字指令控制家中的灯光、电器、窗帘等设备。如“打开客厅空调并设置为26度”“关闭卧室所有灯光”等指令，都能精准执行，让家居生活更加便捷舒适。
    • 电脑程序管理：轻松实现电脑程序的启动、关闭以及运行状态查看。用户只需说出“启动Photoshop”“关闭正在运行的音乐播放器”“查看当前后台运行程序”等指令，即可快速操作电脑程序，提高工作效率。
    • 在线信息检索：借助step_web_search工具和Kimi AI，用户能快速获取各类在线信息。无论是查询历史事件、科学知识，还是获取实时新闻、天气预报，OmniSteward都能迅速从互联网上搜索并呈现准确结果。
    • 文件管理：支持文件检索、读写、压缩文件夹和列出文件夹内容等操作。用户可以说“查找上个月修改的文档”“在文档中添加一段文字”“压缩工作文件夹”“列出下载文件夹中的所有文件”等，方便管理电脑中的文件资源。
    • 命令行操作：满足专业用户对命令行操作的需求，用户可通过语音或文字执行复杂的命令行任务，进一步拓展了系统的应用范围。
  3. 模型灵活性与拓展性
    • 支持多种大语言模型，用户可根据自身喜好和需求切换，以获取最佳的交互效果。同时，系统具有很强的拓展性，用户能够方便地自定义工具，还可以将其分享给其他用户，共同丰富OmniSteward的功能生态。

四、技术架构

语音处理技术采用pyaudio和sounddevice等技术进行语音处理。pyaudio负责音频的输入输出，能够精确采集用户语音信号；sounddevice则在音频设备管理方面发挥关键作用，两者协同确保语音交互的高效性和准确性。AI模型应用集成了Qwen2.5、BGE Reranker和Silero VAD等先进模型。Qwen2.5作为核心语言模型，具备强大的语言理解和生成能力；BGE Reranker用于优化搜索结果排序；Silero
VAD实现精准的语音活动检测，提高语音识别效率。Web服务架构后端基于Flask框架构建Web服务，利用zerorpc实现高效的远程过程调用，保障前后端之间的稳定通信，确保用户在不同设备上都能流畅使用OmniSteward。浏览器自动化技术运用Selenium实现浏览器自动化操作，能够模拟用户在浏览器中的行为，如自动打开网页、输入搜索关键词、提取信息等，为在线信息检索等功能提供支持。其他辅助技术requests用于发送HTTP请求，与外部Web服务交互数据；beautifulsoup4用于解析HTML和XML文档，从网页中精准提取所需信息，共同增强了系统的数据处理能力。

五、安装与使用

1、系统要求

确保您的设备已安装Python 3.8及以上版本，因为项目的运行依赖于该版本的Python环境。
需安装Chrome浏览器，这是用于实现Kimi AI功能的必要组件。需要注意的是，目前OmniSteward主要在Windows操作系统上进行了功能测试，Linux和Mac系统的部分功能兼容性尚未完全确定。

2、安装步骤

  1. 克隆仓库：
    打开命令行终端（如CMD或PowerShell），输入以下命令克隆OmniSteward项目仓库到本地：
git clone https://github.com/OmniSteward/OmniSteward.git

克隆完成后，使用cd命令进入项目目录：

cd OmniSteward
  1. 安装依赖：
    在项目目录中，执行以下命令安装项目所需的依赖项：
pip install-r requirements.txt

3、环境变量配置

  1. 打开项目中的examples/env.cmd文件，您需要在该文件中配置一系列环境变量，具体如下：
OPENAI_API_BASE=your_api_base # OpenAI格式API基础URLOPENAI_API_KEY=your_api_key # OpenAI格式API密钥SILICON_FLOW_API_KEY=your_api_key # Silicon Flow API密钥，用于ASR, ReRank, 获取方式参见[大语言模型平台](docs/PLATFORM.md)BEMFA_UID=your_bemfa_uid # 巴法云平台UID（可选，用于巴法智能家居控制）BEMFA_TOPIC=your_bemfa_topic # 巴法云平台Topic（可选，用于巴法智能家居控制）KIMI_PROFILE_PATH=path_to_chrome_profile # Chrome用户数据目录（可选，用于Kimi AI功能，不填则使用默认路径）LOCATION=your_location # 你的地理位置（可选，用于系统提示词）LLM_MODEL=your_llm_model # 使用的LLM模型，可选，默认使用Qwen2.5-7B-Instruct

备注：获取OPENAI格式的API密钥和API基础URL参见大语言模型平台：
https://github.com/OmniSteward/OmniSteward/blob/main/docs/PLATFORM.md

4、启动方式

OmniSteward支持两种使用方式，即命令行模式（CLI）和Web模式，您可以根据实际需求选择合适的启动方式。

4.1 命令行模式（CLI）

  1. 环境变量配置（重要）：
    在启动命令行模式之前，请务必先在examples/env.cmd文件中按照上述要求正确配置环境变量，确保系统能够正常运行所需的各项服务和功能。
  2. 麦克风语音输入模式：
    首先，启动VAD（语音活动检测）服务，在命令行中输入：
python -m servers.vad_rpc

启动VAD服务后，新开一个命令行窗口，执行以下命令使环境变量生效并运行CLI：

call examples\env.cmd python -m core.cli --config configs/cli.py

更多关于麦克风语音输入模式的详细信息，可查看examples/cli_voice.cmd文件。

  1. 文字输入模式：
    若您希望使用文字输入方式与OmniSteward交互，在配置好环境变量后，在命令行中输入：
call examples\env.cmd python -m core.cli --query"打开网易云音乐"--config configs/cli.py

您可以将双引号中的指令替换为您实际需要执行的操作。例如，如果您想查询天气信息，可将指令改为“查询今天北京的天气”。

  1. 简单添加自定义工具：
    如果您想要添加自定义工具，首先确保环境变量已生效，然后在命令行中输入：
call examples\env.cmd python -m core.cli --query"打印 你好"--config configs/cli_custom_tool.py

此示例在configs/cli_custom_tool.py文件中添加了一个简单的打印工具，您可以查看该文件了解如何添加自定义工具。您可以根据自己的需求修改该文件，实现更复杂的自定义功能。例如，如果您想添加一个计算工具，可在该文件中编写相应的计算函数，并在命令行中使用类似的方式调用。

4.2 Web模式

  1. 环境变量配置（重要）：
    同样，在使用Web模式之前，要先在examples/env.cmd文件中正确配置环境变量，尤其是Silicon Flow API密钥，否则系统将无法正常运行。
  2. 启动后端服务：
    在项目根目录下，执行以下命令配置环境变量并启动后端服务：
call examples\env.cmd python -m servers.steward --config configs/backend.py
  1. 启动前端服务：
    前端服务的启动请详见OmniSteward - Frontend项目的相关说明。一般来说，您需要按照该项目提供的步骤进行安装和启动操作。
  2. 使用：
    完成后端和前端服务的启动后，使用Chrome/Edge浏览器，打开http://localhost:8000，即可开始使用OmniSteward。如果您需要在外网使用，由于Chrome/Edge默认禁止HTTP下的麦克风，您需要进行额外的设置。具体操作是，在浏览器地址栏中输入chrome://flags/#unsafely - treat - insecure - origin - as - secure，将其值设置为http://ip:port（其中ip为您的服务器IP地址，port为端口号）。手机上使用时，同样可以使用Chrome或者Edge浏览器，打开http://ip:port，并按照上述方法进行设置后即可开始使用。

六、应用场景与未来展望

1、家庭生活场景
在家庭生活中，OmniSteward成为智能家居的控制中心。早晨，用户可通过语音指令让其打开窗帘、播放音乐，开启美好的一天；晚上，可控制灯光关闭、设置闹钟等。做家务时，能随时查询菜谱、获取清洁技巧。还可用于家庭账单查询、日程安排等，使家庭生活更加有序。

2、 办公学习场景
在办公场景下，帮助用户快速启动办公软件、查找资料、管理文件，如“打开PPT并切换到演示模式”“查找项目相关文档”“总结报告要点”等指令，有效提高办公效率。对于学生学习，可作为智能学习伙伴，解答学习问题、推荐学习资源，如“解释物理公式”“推荐数学学习网站”等，助力学习进步。

3、未来发展趋势
随着技术的不断进步，OmniSteward将在更多领域发挥重要作用。在智能家居方面，与更多设备深度集成，实现更个性化的家居控制；在智能健康领域，与健康监测设备结合提供健康建议；在智能交通领域，与车辆系统对接实现语音控制和交通信息查询。其模型将不断优化，功能持续拓展，为用户带来更加智能、便捷、舒适的生活体验。

七、结语

OmniSteward作为一款充满潜力的全能AI管家系统，以其丰富的功能、先进的技术架构和广阔的应用前景，为我们展示了智能生活的美好画卷。尽管目前仍处于积极开发阶段，部分功能有待完善，但它已经迈出了坚实的步伐。在未来，随着技术的持续创新和应用场景的不断拓展，OmniSteward有望成为智能生活领域的核心应用，彻底改变我们与智能设备的交互方式，让我们的生活更加智能化、便捷化。期待OmniSteward在不断发展中为我们带来更多的惊喜，引领我们走进一个更加智能的新时代。

项目地址：https://github.com/OmniSteward/OmniSteward

在这里插入图片描述

🎯🔖更多专栏系列文章：AI大模型提示工程完全指南、AI大模型探索之路（零基础入门）、AI大模型预训练微调进阶、AI大模型开源精选实践、AI大模型RAG应用探索实践🔥🔥🔥 其他专栏可以查看博客主页📑

😎 作者介绍：我是寻道AI小兵，资深程序老猿，从业10年+、互联网系统架构师，目前专注于AIGC的探索。
📖 技术交流：欢迎关注【小兵的AI视界】公众号或扫描下方👇二维码，加入技术交流群，开启编程探索之旅。
💘精心准备📚500本编程经典书籍、💎AI专业教程，以及高效AI工具。等你加入，与我们一同成长，共铸辉煌未来。
如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！

Read more

【AI大模型入门】02：豆包——字节出品，国内用户最顺手的AI助手

【AI大模型入门】02：豆包——字节出品，国内用户最顺手的AI助手

【AI大模型入门】02：豆包——字节出品，国内用户最顺手的AI助手 📖 阅读时长：约8分钟 🎯 适合人群：想找一个好用、免费、无障碍访问的AI工具的新手 💡 你将学到：豆包是什么、有哪些功能、和其他AI有什么区别、怎么快速上手 一、豆包是什么？ 豆包（Doubao）是字节跳动（抖音、今日头条的母公司）推出的AI大模型产品，于2023年8月正式上线。 如果你用过抖音、今日头条，那你已经间接体验过字节AI技术的成果了。豆包就是字节把这些技术能力集中打包，做成了一个对话式AI助手。 字节跳动 AI 产品矩阵： ┌─────────────────────────────────┐ │ 豆包（对话助手） ←── 本篇主角 │ │ 即梦（图像/视频生成） │ │ 剪映AI（视频剪辑AI） │ │ 扣子（AI Agent搭建平台） │ └─────────────────────────────────┘ 二、为什么推荐新手先用豆包？ 在所有AI产品里，我特别推荐国内新手从豆包开始，原因很简单： 优势说明✅
AI 自动化测试：接口测试全流程自动化的实现方法

AI 自动化测试：接口测试全流程自动化的实现方法

在 AI 技术飞速渗透各行各业的当下，我们早已告别 “谈 AI 色变” 的观望阶段，迈入 “用 AI 提效” 的实战时代 💡。无论是代码编写时的智能辅助 💻、数据处理中的自动化流程 📊，还是行业场景里的精准解决方案 ，AI 正以润物细无声的方式，重构着我们的工作逻辑与行业生态 🌱。曾几何时，我们需要花费数小时查阅文档 📚、反复调试代码 ⚙️，或是在海量数据中手动筛选关键信息 ，而如今，一个智能工具 🧰、一次模型调用 ⚡，就能将这些繁琐工作的效率提升数倍 📈。正是在这样的变革中，AI 相关技术与工具逐渐走进我们的工作场景，成为破解效率瓶颈、推动创新的关键力量 。今天，我想结合自身实战经验，带你深入探索 AI 技术如何打破传统工作壁垒 🧱，让 AI 真正从 “概念” 变为 “实用工具” ，为你的工作与行业发展注入新动能 ✨。 文章目录 * AI 自动化测试：接口测试全流程自动化的实现方法 🤖 * 为什么传统自动化测试“卡壳”

AI自动化测试（一）

文章目录 * 1. 背景 * 2. 相关资料 * 2.1 底层框架 * 1. Playwright (Web UI自动化核心引擎) * 2. Chrome-devtools (Chrome开发者工具) * 3. Midscene (AI驱动的UI自动化工具) * 4. stagehand (AI浏览器自动化SDK) * 5. skyvern (AI浏览器自动化工具) * 6. browser-use (AI驱动的浏览器自动化工具) * 2.2 各大厂商的应用 * 各大厂AI自动化测试实践与技术方案汇总 * 技术路线总结 * 3. 重难点 * 3.1、页面理解困难的重难点与优化方案 * （一）纯视觉方案的局限性 * （二）纯DOM方案的缺陷 * （三）DOM+视觉融合方案的挑战 * （四）优化实施方案 * 3.2、规划能力的重难点与优化方案 * （一）

Qwen3-ASR-1.7B实战案例：新闻发布会实时语音转写+关键人物发言自动提取

Qwen3-ASR-1.7B实战案例：新闻发布会实时语音转写+关键人物发言自动提取 1. 项目背景与需求场景 新闻发布会是信息传播的重要场合，但传统的记录方式存在诸多痛点：人工记录容易遗漏关键信息，多人发言时难以准确区分说话人，后期整理需要耗费大量时间。特别是在大型发布会中，多位嘉宾轮流发言，快速准确地记录和提取每个人的讲话内容成为刚需。 Qwen3-ASR-1.7B语音识别系统正是为解决这些问题而生。相比之前的0.6B版本，这个1.7B参数的模型在识别准确率、上下文理解能力和多语言处理方面都有显著提升，特别适合处理新闻发布会这类复杂语音场景。 2. 系统核心能力解析 2.1 高精度语音识别引擎 Qwen3-ASR-1.7B采用深度神经网络架构，具备强大的语音特征提取能力。模型能够准确识别各种口音、语速和发音习惯，即使在有背景噪音的发布会现场也能保持较高的识别准确率。其1.7B的参数量确保了模型对上下文有更好的理解，能够根据语境自动修正识别错误。 2.2 智能说话人分离 系统内置先进的声纹识别技术，能够自动区分不同的说话人。通过分析每个人的声音特征，系统可以为每个发