你以为智能家居就是“小爱同学，开灯”？太天真了。真正的智能，是台灯能根据你说话的语气、时间、甚至窗外天气，自动决定“该不该亮”、“亮多亮”。我用小米MiMo的API，配合向量引擎，花了不到100行代码，让一台2018年的老台灯变成了“有思想的管家”。全程没有魔法，没有昂贵的硬件，今天全盘分享，手把手教你“驯服”家里的老古董。

---

开篇：一个“智能”到让人崩溃的下午

我家有一台2018年买的老台灯，它所谓的“智能”，就是能用手机App开关。

有一天晚上，我躺在沙发上看电影，想关灯，但手机在卧室充电。我对着空气喊了几声“关灯”，它纹丝不动。最后我只能爬起来，手动按了一下开关。

那一刻，我怒了：凭什么一台2018年的灯，就不能“听懂”我说话？

于是，一个疯狂的念头诞生了：我要给它装一个“AI大脑”，让它能听懂自然语言，根据我的指令、时间、甚至心情，自动决策。

目标很明确：

• 我说“把灯调暗一点”，它能听懂，并且执行。
• 我说“我要看电影了”，它能自动调成暖光、低亮度。
• 我说“太刺眼了”，它能知道我说的是“它”，并且降低亮度。

听起来是不是很科幻？但经过一周的折腾，我做到了。核心就两样东西：小米MiMo模型（负责理解我的“人话”）和向量引擎（负责让我调用MiMo，以及打通整个流程）。

---

第一章：核心思路——给台灯装个“大脑”

整个方案的架构其实很简单，我画了个流程图（在脑子里），你们感受一下：

1. 输入：我对着麦克风说一句自然语言（比如“把灯调成暖光，亮度30%”）。
2. 语音转文字：用现成的语音识别（比如手机自带的），把语音转成文字。
3. AI理解：把这段文字发给小米MiMo模型，让MiMo解析出“意图”和“参数”。比如，它要能理解出：
   • 意图：调整灯光
   • 动作：设置色温和亮度
   • 参数：色温=暖光，亮度=30%
4. 执行：把MiMo解析出来的指令，转换成这台老台灯能懂的API调用，执行。

所以，最核心的难点就是：如何让一个AI模型，准确理解我的自然语言，并输出结构化的指令？

答案就是：MiMo的“意图识别”能力。

---

第二章：为什么是MiMo？——它不是万能，但在这件事上“特能”

我一开始也试过用GPT-5.2、Claude等模型来做意图识别。结果发现，它们在“通用意图”上表现不错，但在“智能家居”这个垂直场景，尤其是“米家系”的设备和操作习惯上，MiMo有着天然优势。

还记得我上一篇文章里提到的测试吗？MiMo在“米家设备自动化”的代码生成上表现突出。这背后其实是它训练数据里的“IoT基因”。它能更准确理解“调成暖光”、“睡眠模式”、“观影模式”这类小米生态里常用的说法。

而且，MiMo的中文理解能力确实强。我对它说“把灯弄得柔和一点”，它能理解“柔和”对应“低亮度+暖色调”。换其他模型，可能只理解“亮度降低”，忽略色温。

所以，我选择MiMo作为整个方案的“大脑”。

---

第三章：实战——10分钟，让台灯“开窍”

3.1 获取MiMo的API：向量引擎派上用场

要调用MiMo，我需要API。但小米官方API还没对个人开发者开放。怎么办？

这时候就轮到向量引擎登场了。

向量引擎作为一个API聚合平台，已经接入了MiMo。我只需要注册，拿一个API Key，就能直接调用MiMo。而且它国内直连，不用魔法，对我这种折腾老设备的人来说，简直是救星。

👉 注册地址： https://api.vectorengine.ai/register?aff=QfS4

注册后，在后台创建一个API Key，保存好。这就是我调用MiMo的“通行证”。

3.2 让MiMo“听懂”我的指令

要让MiMo输出我能用的指令，关键是设计一个好的Prompt（提示词）。

我设计的Prompt大概是这样的：

你是一个智能家居助手。用户会输入一段自然语言指令，你需要解析出指令的意图和参数，并以JSON格式返回。

支持的设备：light（台灯）
支持的属性：power（开关，值为on/off）、brightness（亮度，0-100）、color_temperature（色温，值为warm/cool/neutral）

示例：
用户输入：“把灯关了”
输出：{“device”:“light”,“action”:“set_power”,“params”:{“power”:“off”}}

用户输入：“把灯调亮一点”
输出：{“device”:“light”,“action”:“set_brightness”,“params”:{“brightness”:70}}

用户输入：“我要看电影了”
输出：{“device”:“light”,“action”:“set_scene”,“params”:{“scene”:“movie”}}

现在，用户输入：“{}”

我把这段Prompt和用户的真实输入拼接起来，发给MiMo，它就会返回一个结构化的JSON。

代码示例（简化版）：

import requests
import json

# 向量引擎的API配置
API_KEY = "你的API_Key"
API_URL = "https://api.vectorengine.ai/v1/chat/completions"  # 实际地址以官方文档为准

def parse_intent(user_input):
    prompt = f"""
    你是一个智能家居助手。用户会输入一段自然语言指令，你需要解析出指令的意图和参数，并以JSON格式返回。

    支持的设备：light（台灯）
    支持的属性：power（开关，值为on/off）、brightness（亮度，0-100）、color_temperature（色温，值为warm/cool/neutral）

    示例：
    用户输入："把灯关了"
    输出：{{"device":"light","action":"set_power","params":{{"power":"off"}}}}

    用户输入："把灯调亮一点"
    输出：{{"device":"light","action":"set_brightness","params":{{"brightness":70}}}}

    用户输入："我要看电影了"
    输出：{{"device":"light","action":"set_scene","params":{{"scene":"movie"}}}}

    现在，用户输入："{user_input}"
    """

    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }

    data = {
        "model": "MiMo",  # 指定使用MiMo模型
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.1  # 降低随机性，让输出更稳定
    }

    response = requests.post(API_URL, headers=headers, json=data)
    result = response.json()
    
    # 提取MiMo返回的JSON字符串
    intent_json = result['choices'][0]['message']['content']
    return json.loads(intent_json)

# 测试一下
if __name__ == "__main__":
    test_input = "把灯调暗一点，有点刺眼"
    intent = parse_intent(test_input)
    print(intent)

运行这段代码，MiMo可能会返回：

{
  "device": "light",
  "action": "set_brightness",
  "params": {
    "brightness": 30
  }
}

它理解了“刺眼”意味着亮度太高，要降低，而且给出了一个合理的数值（30%）。这就叫“智能”。

3.3 执行：让台灯“听话”

拿到MiMo的指令后，我需要让我的老台灯执行。我的台灯虽然老，但它支持Wi-Fi接入，有一个简单的HTTP API（是之前自己折腾的）。所以，我只需要写一个简单的函数，把MiMo的JSON指令转换成HTTP请求就行了。

def execute_command(intent):
    if intent['device'] == 'light':
        action = intent['action']
        params = intent['params']
        
        if action == 'set_power':
            # 调用台灯API，开关灯
            requests.get(f"http://192.168.1.100/light/power?state={params['power']}")
        elif action == 'set_brightness':
            # 调用台灯API，设置亮度
            requests.get(f"http://192.168.1.100/light/brightness?level={params['brightness']}")
        elif action == 'set_scene':
            # 预设场景，比如“电影模式”
            if params['scene'] == 'movie':
                requests.get("http://192.168.1.100/light/brightness?level=20")
                requests.get("http://192.168.1.100/light/colortemp?mode=warm")

然后，把整个流程串起来：

1. 用户说话（语音转文字）
2. 调用parse_intent，让MiMo解析意图
3. 调用execute_command，执行指令

就这么简单。

3.4 效果展示：台灯真的“成精”了

经过一周的调试，现在的效果是这样的：

• 我说：“太亮了，眼睛疼。”
  台灯：亮度从80%降到了40%。
• 我说：“我要看电影了。”
  台灯：亮度降到20%，色温调成暖光。
• 我说：“搞个浪漫的氛围。”
  台灯：亮度50%，色温暖光，还慢慢呼吸了一下（我额外加的特效）。
• 我说：“关灯。”
  台灯：乖乖熄灭。

那一刻，我坐在黑暗里，对着台灯说了一句：“你终于像个‘人’了。”

---

第四章：为什么这套方案能“通用”？——向量引擎的“桥梁”作用

你可能发现了，这个方案里，MiMo负责“思考”，向量引擎负责“连接”。

如果没有向量引擎，我根本拿不到MiMo的API，这个项目就只能停留在“幻想”阶段。而向量引擎作为一个API聚合平台，它解决了开发者最头疼的几个问题：

1. 获取门槛：新模型发布，官方API往往有排期、有审核。向量引擎能第一时间接入，让开发者零门槛尝鲜。
2. 管理成本：你不需要为了调用MiMo单独去开一个账户、充一笔钱。向量引擎里余额通用，你之前充给GPT-5的钱，现在可以直接用来调用MiMo。
3. 环境要求：不用魔法，国内直连。我这种在出租屋里折腾的人，最怕的就是网络问题。

所以，向量引擎在这套方案里，就像一个“万能插座”。你只需要插上它，就能用上各种“电器”（模型），而不用管背后的电压、插头标准。

---

第五章：拓展——这只是一个开始

这套方案能做的，远不止控制一盏台灯。

把“light”换成其他设备，比如：

• 空调：让MiMo理解“有点冷”、“温度调到26度”、“睡眠模式”。
• 窗帘：“打开窗帘”、“透一点光”、“全关上”。
• 扫地机器人：“扫一下客厅”、“别去卧室”、“安静点”。

甚至，你可以让MiMo理解更复杂的组合指令，比如：“我出门了”（关灯、关空调、启动扫地机器人、关窗帘）。

而这，只需要你修改一下Prompt，定义好支持的设备和属性，剩下的，MiMo和向量引擎都能帮你搞定。

结尾：技术，应该让生活更“懂你”

折腾这一周，我最深的感触是：AI不应该只是一个“聊天机器人”，它更应该成为我们生活里的“隐形助手”。

让一盏老台灯听懂人话，本质上不是什么高深的技术。它只是一个简单的“自然语言理解 + API调用”的组合。但因为有了MiMo这样的垂直领域模型，有了向量引擎这样的便捷平台，这件事变得触手可及。

我敢说，未来几年，像这样的“个人AI改造项目”会越来越多。每个人都可以用几行代码，让自己身边的设备“聪明”起来。

如果你也想试试，不妨从一盏台灯开始。注册向量引擎，拿到MiMo的API，然后跟着我的代码改一改。你会发现，“智能家居”真正的魅力，不在于买了多少设备，而在于你让它们听懂了多少“人话”。

---

（全文完）

注： 本文所有代码示例为简化版，实际部署时请根据你的设备API文档调整。小米MiMo模型的具体能力请以实际调用效果为准。向量引擎是第三方API聚合平台，使用前请仔细阅读其服务条款。