Lekcja 18 Home Assistant LAB - Dom w praktyce - Własny asystent głosowy LAB

Najpierw lokalnie, dopiero potem AI

Ustaw lokalną obsługę prostych komend przed Ollamą. Sprawdź processed_locally, fallback AI, pytania o stan i zachowanie po awarii modelu.

Home Assistant LAB · Głos i AI w praktyce · Lekcja 18

Najpierw lokalnie, dopiero potem AI: szybkie komendy z fallbackiem do Ollamy

Hey Jarvis potrafi już sterować Home Assistant przez lokalną Ollamę, ale zwykłe `włącz światło` nie powinno za każdym razem uruchamiać modelu językowego. W tej lekcji włączamy `Prefer handling commands locally`, rozdzielamy znane intencje od AI fallback i sprawdzamy, kiedy Home Assistant naprawdę pozostaje lokalny, a kiedy trafia do Qwen3.

Dlaczego ten etap jest ważny

LLM daje elastyczność, ale jest wolniejszy i bardziej zasobożerny niż lokalne intencje. Home Assistant potrafi najpierw spróbować szybkiego lokalnego parsera i uruchomić Ollamę dopiero wtedy, gdy lokalny agent nie zna odpowiedzi. To daje naturalny hybrydowy asystent, ale w 2026 roku istnieją też aktualne caveaty, które trzeba umieć zobaczyć w Debug.

W pełnej lekcji zrobisz to krok po kroku

Włączamy Prefer handling commands locally

Ollama pozostaje głównym Conversation agent Hey Jarvis, ale Home Assistant dostaje pierwszą szansę na obsłużenie każdego znanego intentu.

Czytamy `processed_locally`, zamiast zgadywać

Raw Debug pokazuje `prefer_local_intents` i `processed_locally`. Dzięki temu dokładnie wiemy, czy daną komendę wykonał lokalny Home Assistant, czy Ollama.

Mierzymy trzy realne ścieżki

Okay Nabu local, Hey Jarvis local oraz Hey Jarvis AI fallback. Widać osobno koszt Whispera oraz dodatkowy koszt LLM.

Sprawdzamy Sentence triggers

Oficjalny Conversation agent pozwala zewnętrznym agentom korzystać z Sentence triggers przez local-first. Testujemy własną komendę z wcześniejszej lekcji również przy zatrzymanej Ollamie.

Pytania o stan dostają osobny test A/B

W 2026 istnieje otwarte zgłoszenie, w którym ON/OFF działa lokalnie, ale pytania typu `jaka jest temperatura` niepotrzebnie trafiają do LLM. Porównujemy czysty Home Assistant i hybrydę na identycznym zdaniu.

Wyłączamy Ollamę i sprawdzamy odporność

Znane lokalne komendy powinny nadal działać. Wiedza ogólna, która wymaga fallbacku do LLM, ma wtedy zawieść. To pokazuje prawdziwą granicę local-first.

Pełna wersja zawiera

architekturę local-first + AI fallback
różnicę Okay Nabu kontra hybrydowy Hey Jarvis
wyjaśnienie, czym fallback jest, a czym nie jest
trzy poziomy opóźnienia do porównania
włączenie Prefer handling commands locally
prefer_local_intents i processed_locally w Debug
test ON i OFF
test jasności
test current area
pierwszy poprawny fallback do Ollamy
macierz MUST LOCAL / LOCAL IF MATCHED / MUST AI
Sentence trigger z Lekcji 9
caveat custom_sentences YAML
aktualny bug state questions z 2026
A/B czysty HA kontra Jarvis
współdzieloną historię local → LLM
follow-up po wejściu do LLM
benchmark 5 + 5 + 5
oddzielenie kosztu Whispera od kosztu LLM
sprawdzenie braku tool call przy lokalnym intent
naturalniejsze warianty komend
wyłączenie Ollamy i test lokalnych poleceń
test AI przy wyłączonej Ollamie
test Sentence trigger bez Ollamy
state-question workaround strategy
Regression Pack po aktualizacji Core
multiroom i Area
diagnostykę all-to-LLM
diagnostykę state-only-to-LLM
diagnostykę follow-up
różnicę no_intent_match i no_valid_targets
test nieistniejącego targetu
Developer Tools Assist jako kontrolę lokalnego parsera
ollama ps jako fizyczny dowód, że model nie został obudzony
Routing Matrix, Test Pack i Regression Pack

Jak pracujemy w pełnej wersji

Nie nazywamy każdego fallbacku błędem. Wiedza ogólna ma trafić do AI. Błędem jest dopiero niepotrzebne użycie LLM dla komendy, którą ten sam Home Assistant potrafi obsłużyć lokalnie.

Nie maskujemy aktualnych regresji promptem. Zapisujemy wersję Core, routing i wynik, żeby po aktualizacji łatwo sprawdzić, czy zachowanie się poprawiło.

Efekt po zakończeniu lekcji

Jarvis staje się hybrydą. Zwykłe domowe intencje mogą zostać szybkie i deterministyczne, a dopiero bardziej swobodna rozmowa trafia do lokalnego AI. Jednocześnie Okay Nabu pozostaje niezależnym, twardym lokalnym planem B.

Chcesz połączyć szybkość lokalnego Assist z elastycznością Ollamy?

Ta lekcja jest częścią kursu Smart Home od Zera na platformie MarkLabs E-Learning. Pełna wersja prowadzi od checkboxa local-first do rzeczywistego benchmarku, testu awarii Ollamy i analizy Debug.

Kup dostęp do kursu: 29 zł

Dożywotni dostęp | Wszystkie lekcje | Bez subskrypcji

Debug pokaże, czy komenda została obsłużona lokalnie, czy trafiła do AI. Routing poprawia szybkość, ale nie zastępuje ograniczenia ekspozycji urządzeń.