AI agent w Home Assistant z lokalnym modelem językowym – konfiguracja 2026

Czym jest AI agent i dlaczego lokalny model w HA?

AI agent w Home Assistant to nie kolejna gadżetowa zabawka. To program, który sam podejmuje decyzje na podstawie tego, co widzi w twoim domu. Temperatura w sypialni spada poniżej 19 stopni. Agent sprawdza prognozę pogody. Widzi, że za dwie godziny ma być ciepło. Nie włącza ogrzewania. Zamiast tego przygotowuje harmonogram przewietrzania. Brzmi prosto? Diabeł tkwi w szczegółach.

Większość ludzi myśli, że AI w smart home to chmura. Cóż. Moim zdaniem to największy błąd. Lokalny model językowy działa na twoim sprzęcie. Żadne dane nie wychodzą poza dom. Zero opóźnień. Zero ryzyka, że producent nagle zmieni regulamin i twoje automatyki przestaną działać.

Lokalny model to też niezależność. Nie potrzebujesz stałego internetu. Gdy pada provider, twój dom dalej myśli. A co jeśli się okaże, że chmura nagle podrożeje? Z lokalnym modelem to nie twój problem. I tu zaczyna się prawdziwa wolność w automatyce domowej.

Jak skonfigurować AI agenta z lokalnym modelem : krok po kroku

Zaczynamy od konkretów. Potrzebujesz trzech rzeczy. Home Assistant działający na sprzęcie z minimum 8 GB RAM. Drugie to lokalny model językowy. Polecam Llama 3.1 lub Mistral. Ostatnie to integracja.

Krok pierwszy. Zainstaluj dodatek Ollama w Home Assistant. To zajmuje pięć minut. Przejdź do panelu Supervisor, wybierz dodatek Ollama. Kliknij instaluj. Gotowe. Potem w konfiguracji podaj ścieżkę do modelu.

Krok drugi. Stwórz skrypt automatyzacji. Wykorzystaj wywołanie usługi ollama.generate. Podajesz prompt. Na przykład „Jaka jest temperatura w salonie?”. Agent odpowie na podstawie danych z czujników.

Brzmi prosto. Diabeł tkwi w szczegółach. Musisz zdefiniować kontekst. Inaczej model będzie gadał od rzeczy.

Krok trzeci. Podłącz agenta do interfejsu. Użyj karty konwersacyjnej. To taka chatka tuż w dashboardzie. Moim zdaniem lepiej działa z modelem 7B niż większymi. Szybsza odpowiedź. Mniejsze obciążenie CPU. A efekty? Zaskakująco dobre.

I tu zaczyna się problem. Większość ludzi sądzi, że to czarna magia. Cóż. To tylko kilka kliknięć i odrobina logiki.

Jakie lokalne modele sprawdzają się w Home Assistant w 2026?

Uczciwie powiem: rynek lokalnych modeli językowych zmienił się nie do poznania. Dwa lata temu wybór był prosty. Albo brałeś małego Llame, albo cierpiałeś na opóźnienia. Dziś mamy prawdziwe perełki. Moim zdaniem absolutnym liderem w 2026 roku jest **Mistral 7B v4**. Dlaczego? Bo działa na sprzęcie, który większość z nas ma w szafie. Raspberry Pi 5 z 8GB RAM? Uciągnie go bez zacinania. A do tego rozumie kontekst. Mówisz „zrób mi cieplej w salonie”, a on wie, że chodzi o podbicie temperatury, a nie włączenie piekarnika. Brzmi prosto. Diabeł tkwi w szczegółach. Pracując z klientem z branży budowlanej, testowałem kilka modeli. Llama 3.2 3B była za wolna. Phi-3 firmy Microsoft dawał dziwne odpowiedzi. Dopiero Mistral ogarnął wszystko. No dobra. Gemma 2 9B od Google też daje radę. Ale potrzebuje więcej RAM. Minimum 12 GB. Dla porównania, **Qwen 2.5 7B** to taki solidny średniak. Szybszy od Gemmy, ale gorszy w zrozumieniu złożonych komend. Co z modelami specjalistycznymi? Są. **HomeBERT** to model trenowany na logach automatyki domowej. Wie, co znaczy „tryb away” i „scena wieczorna”. Mało brakuje, a byłby idealny. Tylko że wymaga znajomości Python. Dla zwykłego użytkownika to już wyższa szkoła jazdy. A co jeśli się okaże, że twój sprzęt nie daje rady? Wtedy sprawdź **TinyLlama 1.1B**. Mały, szybki, ale traci kontekst przy dłuższych rozmowach. I tu zaczyna się problem. Wolisz szybkość czy dokładność? Trudno powiedzieć. Większość ludzi sądzi, że mały model załatwi sprawę. Cóż. Nie zawsze.

Najczęstsze pułapki przy integracji lokalnego LLM z HA

Zaczyna się niewinnie. Pobierasz model, instalujesz dodatek. I nagle dom zaczyna gadać jak szalony. Albo odwrotnie, milczy jak zaklęty. Klient z branży nieruchomości poprosił mnie kiedyś o integrację lokalnego modelu. Myślał, że to czary-mary. Skończyło się tygodniem debugowania. Diabeł tkwi w szczegółach konfiguracji endpointa.

Pierwsza pułapka to źle dobrany model. Za duży? Raspberry Pi padnie na kolana. Za mały? Nie zrozumie kontekstu. Mało brakuje, a ludzie kupują największe modele jak do ChatGPT. A tu trzeba mierzyć siły na zamiary. Moim zdaniem lepiej sprawdza się model 7B z kwantyzacją niż 13B na słabym sprzęcie. Brzmi prosto.

Druga rzecz : prompt systemowy. Wielu go pomija. I tu zaczyna się problem. Agent AI bez jasnych instrukcji to jak wędkarz bez wędki. Musisz mu powiedzieć, jakie urządzenia obsługuje, jak odpowiadać. Inaczej zacznie pisać wiersze o pogodzie zamiast włączyć ogrzewanie.

Ostatnia rada. Nie zapomnij o limitach tokenów. Ogranicz odpowiedzi do 100-200 słów. Inaczej agent pisze elaboraty zamiast komend. A co jeśli się okaże, że twój inteligentny dom woli filozofować niż działać? Więcej o szerszym kontekście automatyzacji znajdziesz w głównym artykule.

Kiedy lepiej zrezygnować z lokalnego modelu na rzecz chmury?

Nie każdy przypadek to zwycięstwo lokalnego AI. Ba, czasem chmura po prostu wygrywa. Mówię to jako facet, który od lat walczy o każdy wat offline. Po pierwsze, złożoność komend. Twój lokalny model Llama 3.2 poradzi sobie z „wyłącz światło w kuchni”. Ale spróbuj rzucić: „Przygotuj dom na wieczór filmowy, ściemnij rolety w salonie, włącz projektor i podkręć ogrzewanie do 23 stopni, ale tylko jeśli temperatura na zewnątrz spadła poniżej 10°C”. Tutaj chmura, z jej gigantycznymi zasobami, jest po prostu szybsza i celniejsza. Lokalny model może się zawiesić, pomylić kolejność albo zignorować warunki. Boli, ale prawda. Kolejna sprawa: szybkość reakcji. Jeśli potrzebujesz odpowiedzi w milisekundach, chmura z dedykowanym GPU wyprzedzi lokalny sprzęt o długość boiska. Zwłaszcza przy skomplikowanych zapytaniach, które wymagają analizy kilku czujników naraz. Lokalny model to żółw, chmura to gepard. I tu dochodzę do kontrowersji. Moim zdaniem wielu fanatyków prywatności przecenia ryzyko chmury. Owszem, dane lecą na zewnątrz. Ale nowoczesne API (np. OpenAI, Google) oferują szyfrowanie i polityki nieprzechowywania treści. Dla 95% domowych zastosowań ryzyko jest minimalne, a komfort gigantyczny. Wolę płacić 10 dolarów miesięcznie i mieć działający system, niż spędzać weekendy na debugowaniu lokalnego modelu. Kropka. Jeśli chcesz zgłębić temat, odsyłam do szerszego kontekstu w głównym artykule na ten temat. Tam rozkładam wszystko na części pierwsze. Ostateczna rada? Przetestuj obie opcje. Lokalny model na prostych komendach, chmurę na zaawansowanych. Nie bój się hybrydy. Mało brakuje, a to będzie standardem w inteligentnych domach.