基于 Miloco 的全屋智能家居 AI 自动化部署方案

全屋智能家居的'主动思考'：Miloco 部署指南

目前的智能家居大多处于'被动执行'阶段。智能灯靠感应或语音控制，空调需远程开启，摄像头只能看画面却无法理解场景。它们更像是听话的执行者，缺乏一个能主动理解生活习惯、进行场景判断的'大脑'。

小米近期推出的 Miloco（Xiaomi Local Copilot）正是为了解决这一问题。它通过大模型技术，将米家摄像头的视觉信息转化为理解能力，打通全屋 IoT 设备，实现从'执行命令'到'理解场景'的跨越。

关于 Miloco

🔺Miloco 是小米探索的智能家居未来方案之一。其核心在于利用端侧大模型与视觉数据流，解析家庭场景事件并自主决策。

主要特性：

• 交互新范式：基于自然语言交互完成规则设置与复杂指令控制。
• 端侧大模型：任务拆分规划与视觉理解双阶段处理，支持小米自研端侧模型，保障隐私安全。
• 视觉数据应用：以摄像头数据流为感知源，解析家庭场景事件回复用户查询。
• 米家生态打通：支持获取与执行米家设备及场景，支持自定义通知发送。

简单来说，Miloco 能让摄像头变成有思维的管家。例如识别你坐在书桌前自动开灯调光，躺在床上切换睡眠模式，离家后自动关灯关空调，甚至识别宠物异常行为并推送提醒。

部署方案选择

Miloco 服务分为主服务和 AI 引擎两部分，均支持 Docker 本地部署。根据 AI 推理方式不同，主要有两种方案：

1. 云端 AI 大模型：仅部署主服务。所有 AI 推理交给云端，资源占用极低，适合大多数 NAS 用户，无需独显。
2. 本地 AI 大模型：同时部署主服务和 AI 引擎。需要下载大模型至本地，由 NAS 算力完成视觉理解。对硬件要求较高，需 NVIDIA 30 系及以上显卡（显存 8G+），驱动及 CUDA 版本也有特定要求。

考虑到通用性，本文采用云端 AI 大模型方案，即只部署主服务，无独显门槛，几乎任何极空间 NAS 均可运行。

部署准备

1. 米家摄像头：需要一个正常联网且运行中的米家摄像头作为视觉输入源。
2. API Key：由于调用云端大模型，需准备具备视觉推理能力的多模态模型 API。推荐使用硅基流动等提供统一 API 调用的平台。

开始部署

在极空间 NAS 的文件管理器中，于 Docker 目录下新建 miloco 文件夹，并在其下创建 data 和 log 两个子目录。

随后进入 Docker 应用，点击【Compose】>【新增项目】。在配置页面输入以下 docker-compose.yml 内容：

services:
  backend:
    container_name: miloco-backend
    image: ghcr.io/xiaomi/miloco-backend:latest
    network_mode: host
    environment:
      - BACKEND_HOST=0.0.0.0