Wichtigste Erkenntnisse
- Regelbasierte Automatisierung ist deterministisch, aber blind für nicht skripteten Kontext
- Ein lokales LLM schlussfolgert über Absicht und Kontext: Zeit, Anwesenheit, Wetter, Sensorzustände
- Beschreiben Sie Automatisierungen als natürlichsprachliche Ziele; das Modell bildet sie auf Geräteaktionen ab
- Betreiben Sie es lokal über Ollama + Home Assistant – ohne Cloud, keine Daten verlassen das Haus
- Halten Sie sicherheitskritische Automatisierungen (Schlösser, Alarme) als deterministische Regeln
- Nutzen Sie ein kleines Function-Calling-Modell und grenzen Sie den Umfang für Zuverlässigkeit ein
Die Grenzen regelbasierter Automatisierung
Regelbasierte Automatisierung löst eine feste Aktion für einen festen Auslöser aus und kann keinen Kontext abwägen, für den sie nicht ausdrücklich skriptet wurde. Sie ist zuverlässig und schnell, doch jede Nuance braucht eine weitere handgeschriebene Bedingung.
- Kombinatorische Explosion: „Licht an, außer es ist hell, außer jemand schläft, außer ich bin weg" wird zu vielen verschachtelten Bedingungen.
- Keine Absicht: Regeln können „mach es gemütlich" nicht interpretieren – nur exakte Entitätszustände.
- Brüchige Randfälle: nicht skriptete Situationen fallen ohne sinnvollen Standard durch.
Was ein LLM hinzufügt: Kontext, Absicht, Sprache
Ein LLM fügt drei Dinge hinzu, die Regeln fehlen: Es versteht natürliche Sprache, leitet Absicht ab und schlussfolgert über mehrere Kontextsignale auf einmal. Nutzen Sie es, wo Nuance zählt; behalten Sie Regeln, wo Determinismus zählt.
| Aspekt | Regelbasiert | Lokal-LLM-gesteuert |
|---|---|---|
| Auslöser-Verarbeitung | Feste Aktion pro Auslöser | Wägt Kontext vor dem Handeln ab |
| Formulierung | Nur exakte Bedingungen | Natürlichsprachliche Ziele |
| Kontext | Nur skriptete Zustände | Zeit, Anwesenheit, Sensoren zusammen |
| Randfälle | Fallen durch | Sinnvoller Standard aus dem Kontext |
Beispiel-Automatisierungen (mit den Prompts)
Diese Beispiele zeigen, wo eine LLM-gesteuerte Automatisierung eine Regel schlägt: Jedes ist ein natürlichsprachliches Ziel, das das Modell gegen den Live-Kontext auflöst. Verdrahten Sie sie als Home-Assistant-Automatisierungen, die den Konversations-Agenten aufrufen.
- Geben Sie dem Modell die relevanten Entitätszustände im Prompt, damit es den Kontext zum Schlussfolgern hat.
- Für das End-to-End-Setup siehe Ihr Smart Home mit einem lokalen LLM betreiben.
- 1Erinnerung beim Verlassen
Why it matters: Prompt: „Wenn es in der nächsten Stunde nach Regen aussieht und ich rausgehe, erinnere mich an einen Schirm." Das Modell prüft die Wetter-Entität und Anwesenheit, bevor es benachrichtigt – eine Regel bräuchte explizite Schwellenwerte. - 2Adaptive Abendszene
Why it matters: Prompt: „Wenn die letzte Person nach Sonnenuntergang heimkommt, stelle eine warme, gedämpfte Szene ein, außer jemand schläft schon." Das Modell wägt Anwesenheit, Zeit und Schlafzustand zusammen ab. - 3Energie-Hinweis
Why it matters: Prompt: „Wenn die Heizung läuft und ein Fenster seit mehr als fünf Minuten offen ist, drehe die Heizung herunter und sag mir, welcher Raum." Das Modell kombiniert zwei Sensorzustände und erklärt seine Aktion.
Die Architektur
Die Automatisierung löst in Home Assistant aus, übergibt den Kontext über den Konversations-Agenten an das lokale LLM, und das Modell gibt Geräteaktionen zurück. Alles läuft lokal.
- Die Home-Assistant-Automatisierung liefert den Auslöser und die aktuellen Entitätszustände.
- Das lokale Modell (über die Ollama-Anbindung) schlussfolgert und gibt Aktionen zurück.
- Nur Entitäten, die Sie Assist freigeben, sind ausführbar, was begrenzt, was das Modell tun kann.
Zuverlässigkeit und Leitplanken
Halten Sie sicherheitskritische Automatisierungen deterministisch, grenzen Sie den Umfang des Modells ein und bevorzugen Sie ein kleines schnelles Modell, um die Latenz niedrig zu halten. LLM-Automatisierungen sollten kritische Funktionen verbessern, nicht besitzen.
- Leiten Sie Sicherheit nie über das Modell: Rauchmelder, Türschlösser und Sicherheit bleiben einfache Regeln.
- Umfang eingrenzen: Geben Sie nur die Entitäten frei, die das Modell braucht, und fügen Sie einen System-Prompt hinzu, der Aktionen begrenzt.
- Modell nach Latenz wählen: siehe beste lokale LLM-Modelle für die Smart-Home-Steuerung.
- Protokollieren und prüfen: Prüfen Sie die Konversationsprotokolle, um zu bestätigen, dass das Modell wie beabsichtigt handelt, bevor Sie ihm unbeaufsichtigt vertrauen.
- Für Agenten-Muster und Workflows siehe autonome lokale Agenten, die wirklich funktionieren (clusterübergreifend).
FAQ
Sind lokale LLM-Automatisierungen zuverlässig genug, um ihnen zu vertrauen?
Für Komfort- und Bequemlichkeits-Automatisierungen ja – wenn Sie den Umfang eingrenzen und das Verhalten zuerst prüfen. Halten Sie sicherheitskritische Automatisierungen (Schlösser, Alarme, Rauchmelder) als deterministische Regeln, statt sie über das Modell zu leiten.
Ersetzt ein LLM alle meine Automatisierungen?
Nein. Nutzen Sie deterministische Regeln für einfache, zeitkritische oder sicherheitskritische Auslöser und reservieren Sie das LLM für Automatisierungen, die Kontext, Nuance oder natürlichsprachliche Ziele brauchen. Beide arbeiten zusammen.
Welches Modell ist am besten für KI-Automatisierungen?
Ein kleines, schnelles Function-Calling-Modell hält die Automatisierungs-Latenz niedrig und gibt zuverlässig Geräteaktionen aus. Siehe den Leitfaden zu den besten lokalen LLM-Modellen fürs Smart Home für auf Hardware abgestimmte Empfehlungen.
Wie viel Latenz fügen LLM-Automatisierungen hinzu?
Die Latenz hängt von Modellgröße und Hardware ab. Ein kleines Modell auf einem Mini-PC mit GPU oder NPU reagiert schnell genug für nicht-sofortige Automatisierungen; leiten Sie latenzkritische Auslöser nicht über das Modell.