想不想拥有一个完全属于你自己的”小爱同学”或”小艺”？今天我来教你用开源项目 OddAgent，从零开始搭建一套智能家居意图识别系统。 一、前言 清晨，你刚睁开眼，窗帘自动缓缓拉开，温暖的阳光洒进房间。你随口说一句”我起床了”，灯光从暗淡的夜灯模式切换到柔和的晨光，咖啡机已经启动——这不是科幻电影，而是智能家居正在实现的未来。 然而，当你想要DIY一套完全可控的智能家居系统时，往往面临两难：要么选择米家、HomeKit 等封闭生态，功能受限于平台；要么自研整个系统，从设备协议到AI对话，技术门槛高得离谱。 今天要介绍的 OddAgent 项目，为我们提供了一条中间路线——它专注于意图识别，你可以对接任意品牌的设备，只需专注于实现具体的业务逻辑。 二、方案介绍 2.1 什么是 OddAgent 概念 定义 OddAgent 一个通用的意图、指令识别框架，基于 LLM 实现自然语言理解 Intent（意图） 用户想要完成的操作，如”打开客厅灯” Slot（槽位） 意图中的关键参数，如房间”客厅”、设备”灯” Tool（工具） 实际执行操作的接口，如控制灯的 API 配图 1 展示 OddAgent 识别用户语音/文字指令的流程图 OddAgent 的核心能力可以用一句话概括：“只负责听懂你要什么，不负责具体怎么干。” 它把意图识别做到极致，把功能实现交给开发者。 2.2 核心特性 2.3 为什么选择 OddAgent 对比自研 NLU 系统： 维度 自研 NLU OddAgent 开发周期 3-6 个月 1 […]
智能体
2 posts
今天的这个测试是因为上周用Open WebUI搭了一个简易的知识库(具体看我上周发的那篇文章），然后产品感兴趣了，再来用Dify这个相对企业级、产品级的系统来正式搭一个企业知识问答系统而做的测试。由于需求是从LLM大模型、Embedding模型、Rerank模型，以有Dify平台全套都必须是私有化部署，且不能使用Docker，全部是手动代码部署，因此，整个过程较复杂，也走了一些弯路，所以整个内容篇幅较长。为省流，直接上结论。 一、省流：关键结论速览 结论 需注意的是，Open WebUI 和 Dify 目前所使用的 embedding 模型不同，这是造成测试结果存在差异的一个重要因素。 测试体验环境 二、现状与挑战：Open WebUI 知识库的局限 前期，我们基于 Open WebUI 搭建了一个简易的知识库。但由于 Open WebUI 并非专业用于知识问答的平台，其功能较为简陋，难以满足企业级产品的知识问答需求： 针对以上种种问题，经过与两位领导的初步讨论，我们启动了对 Dify 的预研工作，期望借助 Dify 的工作流机制来解决 Open WebUI 知识库存在的这些问题。 三、Dify 的解决方案：灵活性与强大功能的结合 Dify 的强大之处在于其高度的灵活性，主要体现在智能体和工作流两个方面： 四、Dify 部署之路：挑战与进展并存 在对 Dify 的优势进行充分了解后，我们来看看当前的部署进展情况。目前，Dify 的演示环境已经搭建完成，但在使用和优化方面仍有许多工作需要进一步探索。 整个部署过程并非一帆风顺。由于没有实体服务器，我们在 AutoDL 上租用了一台虚拟机进行部署。但由于 AutoDL 虚拟机存在诸多限制，导致我们遇到了不少问题： 因此，目前我们的部署是分布在几台不同的设备上： 通过一系列的配置工作，我们实现了这几台设备之间的互联互通。 五、Dify 平台的实战测试：与 Open […]