极空间部署 Miloco 全屋 AI 自动化方案
说到智能化家居大家都不陌生，毕竟大家或多或少都使用过，或者正在使用。
不知道大家发现没有，目前的智能家居基本都很'被动'，比如说智能灯要么靠'喊'，要么靠'感应'，空调的提前预热或制冷需要我们远程开启，家里的摄像头只是能看画面，但'看不懂'发生了什么。。。
总的来说，现在很多的智能家居广义上说其实只是在'执行命令'，而不是'理解场景'。它们更像是听话的小助手，却没有一个能主动思考、能理解你生活习惯的'大脑'。
如是，小米科技带来的『Miloco』来了！
关于 Miloco
🔺Miloco（Xiaomi Local Copilot）是小米在去年十一月份发布的，据说是一款'智能家居未来探索方案'，该方案以米家摄像机为视觉信息来源，打通全屋 IoT 设备，实现简单、便捷的全屋智能生态。该项目目前 Github 上开源，并且正在快速的发展壮大中。
Github 主页地址：https://github.com/XiaoMi/xiaomi-miloco
**项目亮点特性：**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。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 Xiaomi MiMo-VL-Miloco-7B，实现端侧视频理解，保障家庭隐私安全。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。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。
简单理解，Miloco 就是通过 AI 大模型技术，将米家摄像头变成了一个有思维方式的'最强大脑'，然后通过视觉信息，自动给家里其它的智能家居下达指令。比如说：
- 当我们坐到书桌前，它能识别你在阅读或工作时，它能自动把台灯打开并调到合适亮度；
- 当我们躺在床上它可以为我们自动切换到睡眠模式，为我们关窗帘，或者将空调设置为合适的温度；
- 当我们离开房间并锁门，它能判断房间无人，自动关灯关空调；
- 当我们家里养的猫星人捣乱跳上餐桌，它能识别异常行为并通过手机远程推送提醒，甚至还通过智能音箱发送驱赶语音。
Miloco 部署
部署前的说明：
🔺Miloco 的服务分主服务和 AI 引擎两部分，都可以使用 Docker 的方式部署在本地。根据使用 AI 引擎的方式不同，分为两个方案：
- 一个是调用云端 AI 大模型，这个时候我们仅需部署主服务部分就可以了。这个方案几乎不占资源，NAS 只负责设备发现与自动化逻辑，所有 AI 推理都交给云端完成，适合对隐私要求不高，轻量级的使用场景。
- 另一个是启用本地 AI 大模型，需要先将大模型下载到本地，然后在 NAS 上同时部署主服务和 AI 引擎，由本地算力完成视觉理解、事件推理等任务，实现真正的'全屋本地 AI'能力。但是对 GPU 有要求，需要 30 系及以上 NVIDIA 显卡，显存 8G 及以上；显卡驱动版本 527.41 及以上；CUDA 版本 12.5.1 及以上。
如果是在 NAS 上部署，启用本地 AI 大模型的方案对硬件门槛的要求还是相当高的，除了需要外置独显的支持（目前极空间支持外置独显的机型仅为 Z425 和 T6），还要准备一块性能不俗的独显，以及额外的雷电显卡坞设备。
所以本篇我分享的方案是调用云端 AI 大模型，也就是说只部署主服务，没有独显要求，资源占用很低，几乎任何极空间 NAS 都能轻松跑起来，可以说是目前最适合大多数 NAS 用户的 Miloco 部署方式。
部署前的准备：
-
既然前面说过，Miloco 是一个基于米家摄像头来运行的项目，所以你肯定需要一个正常联网且运行中的米家摄像头了。我家里用的正好是小米智能摄像机 3 pro 云台版，所以正好符合这个要求。
-
既然本篇教程是调用云端 AI 大模型，所以还得提前准备大模型的 API。和常规的对话大模型不同，Miloco 启用的大模型还需要具备视觉推理，所以个人使用的是硅基流动，里面提供了多种不同类型的多模态模型，并且这些模型都可以通过统一的 API Key 调用。
开始部署：
🔺打开极空间 NAS 的文件管理器，在 Docker 目录下新建一个'miloco'的文件夹，然后在它下面新建 data、log 两个子文件夹。
🔺然后点击极空间 NAS 的'Docker'应用，点击【Compose】 > 【新增项目】。
🔺在新增项目页面自定义项目名称，输入以下 Docker Compose 配置信息后点'创建'按钮：
services:
backend:
container_name: miloco-backend
image: ghcr.io/xiaomi/miloco-backend:latest
network_mode: host
environment:
- BACKEND_HOST=0.0.0.0
- BACKEND_PORT=8002
# 项目 Web 页面打开端口，冒号前面请勿本地冲突
- AI_ENGINE_HOST=0.0.0.0
- AI_ENGINE_PORT=8001
- BACKEND_LOG_LEVEL=info
- TZ=Asia/Shanghai
volumes:
- ./Docker/miloco/data:/app/miloco_server/.temp
# 冒号前面映射 data 子文件夹本地路径
- ./Docker/miloco/log:/app/miloco_server/.temp/log
# 冒号前面映射 log 子文件夹本地路径
restart: unless-stopped
healthcheck:
disable: true
以上代码需要修改的地方我都用中文注释标注出来了，其它的直接保持默认即可。镜像的拉取需要自行解决网络问题，粘贴到自己的 NAS 这边之前建议使用 AI 工具优化一下，以防止格式问题造成的部署失败。
顺便说一下，volumes 映射的路径需要在当前界面使用'查询路径'查找到真实路径直接复制粘贴就可以了，个人觉得极空间这里对于新手小白已经是相当友好的操作了。
🔺项目只有一个容器，看到显示'运行中'，就说明可以使用了。
Miloco 体验
🔺部署好的 Miloco 项目可以通过浏览器输入【IP:端口号】
🔺设置好之后输入登录码登录（这步忘记截图了~），之后会有一个协议说明，直接勾选并'同意'即可。
🔺之后会让我们登录自己的小米账号授权，可以直接输入账号和密码，也可以通过 APP 扫码的方式。这里大家直接登录即可，毕竟是官方项目，安全性还是没什么问题的。
🔺授权成功之后会有提示，这里需要输入我们部署好的 Miloco 服务链接（其实就是'NAS IP:端口号'），然后'点击跳转'。
🔺这样我们就打开了项目的主页。大家可以看到因为我绑定的账号中已经有一个米家摄像头，它在主页面已经显示出来了。
🔺点击摄像头是可以看到当前摄像头所拍下的画面的。
🔺接下来的操作就是将大模型加入进来，点击'模型管理'。
🔺不知道是我个人网络问题还是 bug，我点开之后会有一个 500 的错误提醒。
🔺然后直接点击浏览器的左上角的'后退'按钮就正常了，进来之后点击'添加模型'。
🔺前面说过我准备的是硅基流动模型，所以 Base URL 里填'https://api.siliconflow.cn/v1'，API Key 就填写你自己的新建的 API 秘钥，模型名称建议和我一样，使用'deepseek-ai/DeepSeek-V3.2'和'Qwen/Qwen3-VL-32B-Instruct'两个就可以了。（不排除有更好的选择，小伙伴们可以随意尝试）。
🔺添加好之后再'高级配置'这里，规划大模型选择'deepseek-ai/DeepSeek-V3.2'，视觉理解选择'Qwen/Qwen3-VL-32B-Instruct'，然后就可以使用了。
🔺回到首页'AI 中心'，我们直接在对话框中问它'看看画面有什么'，可以看到它也有一个思考的过程，回答的信息也非常详细，并且我也可以很负责的告诉大家，它的准确度是达到了 95% 以上，还是挺厉害的。
🔺至于创建规则，如果不会我们直接让它自动创建即可。
🔺虽说并不能保证一定成功，或者完全和你的意，但是基本上不需要我们动手，也指出了问题出在哪里，这些操作感觉和现在正火的 OpenClaw 有异曲同工之妙。
🔺在'设备管理'中是可以查看当前授权账号下的所有米家智能家居设备，不过目前只是查看，并不能进行具体的操作。
🔺在'设置'中还可以通过 Home Assistant 授权加入更多智能家居设备，我这里没有配置 Home Assistant，就不往下演示了~
最后
总之，Miloco 不再是传统意义上'等我们发指令'的智能家居系统，而是一个能主动理解、主动判断、主动行动的全屋 AI 管家。虽说 Miloco 目前算不上完美，并且上手还需要花一点时间，但是它已经指出了下一代智能家居的发展方向：把摄像头变成眼睛，把规则交给 AI，这种组合确实很有想象空间。有兴趣的小伙伴建议先动手部署起来，亲自体验一下这个'战未来'的 AI 智能项目吧！