提高智能家居的弹性智能体

智能家居和智能设备在全球数百万家庭中变得越来越普遍。随着人工智能的兴起，智能家居行业正在迅速提高集成度，以管理常见的智能家居任务。然而，由于有限的环境场景或复杂任务中的性能不佳，大语言模型（LLM）和智能体在智能家居中的现有工作表现出最小的弹性。我们在流行的开源软件 (OSS) 智能家居自动化框架 HomeAssistant 中探索了LLM和智能体的多种策略，以提高智能家居的整体弹性。我们的方法结合了传统的监督学习技术和优化的提示作为核心学习过程。我们在优化管道中使用涵盖不同级别的推理和成本的多样化LLM，并评估其在智能家居基准测试中最困难任务子集上的性能。我们纳入了 ReAct 和 Reflexion Agentic范例，并揭示了与用于 HomeAssistant 内的多设备控制的微调LLM相比，这两种范例如何提供边际投资回报，同时在故障响应等弹性任务中显示出前景。