UI-Lovelace-Minimalist项目中天气组件适配新版Home Assistant的解决方案
背景介绍
在Home Assistant 2024.4版本中,开发团队对天气实体(weather entity)进行了重大变更,移除了原有的forecast属性,转而采用新的weather.get_forecasts服务来获取天气预报数据。这一变更影响了众多依赖该属性的前端组件,包括UI-Lovelace-Minimalist项目中的天气弹窗功能。
问题分析
UI-Lovelace-Minimalist项目中的popup_weather_forecast弹窗组件原本直接调用天气实体的forecast属性来显示预报信息。随着2024.4版本的发布,这一直接访问方式已不再可用,导致组件无法正常显示天气预报数据。
技术解决方案
针对这一变更,我们可以通过创建模板传感器(template sensor)来桥接新旧数据格式,保持前端组件的兼容性。以下是具体实现方案:
template:
- trigger:
- platform: time_pattern
hours: /6
action:
- service: weather.get_forecasts
data:
type: daily
target:
entity_id: weather.aemet
response_variable: forecast_daily
sensor:
- name: Weather Forecast Daily
unique_id: weather_forecast_aemet_daily
state: "{{ states('sensor.aemet_condition') }}"
attributes:
forecast: "{{ forecast_daily['weather.aemet'].forecast }}"
方案详解
-
触发器设置:使用time_pattern触发器每6小时自动更新一次数据,确保预报信息的时效性。
-
服务调用:通过weather.get_forecasts服务获取最新的天气预报数据,指定type为daily表示获取每日预报。
-
目标指定:target参数明确指定要获取哪个天气实体的预报数据。
-
变量存储:将服务返回的结果存储在forecast_daily变量中。
-
传感器创建:构建一个模板传感器,其中:
- state保持与原始天气条件传感器一致
- attributes中添加forecast属性,从服务返回数据中提取所需预报信息
前端配置调整
完成传感器创建后,只需在UI-Lovelace-Minimalist的配置中将ulm_weather指向新创建的传感器即可:
ulm_weather: "sensor.aemet"
技术优势
-
向后兼容:该方案无需修改前端组件代码,保持了现有UI的完整性。
-
数据缓存:通过传感器缓存预报数据,减少对天气服务的直接调用。
-
灵活更新:可根据需要调整更新频率,平衡数据新鲜度和系统负载。
-
可扩展性:同样的模式可应用于其他需要预报数据的场景。
注意事项
-
确保Home Assistant版本确实为2024.4或更高,旧版本可能不支持新的服务调用方式。
-
根据实际天气实体名称调整配置中的weather.aemet和sensor.aemet_condition。
-
对于需要小时级预报的场景,可将type参数改为hourly并相应调整更新频率。
-
在多天气实体情况下,需要为每个实体创建对应的传感器桥接。
这一解决方案有效解决了新版Home Assistant中天气组件兼容性问题,为用户提供了平滑的升级过渡方案。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00