安装与使用 Home Assistant on OpenWrt 教程
项目介绍
Home Assistant on OpenWrt 是一个便捷的工具集合,旨在让你能够通过一条命令在运行OpenWrt固件(版本23.05及以上)的设备上部署最新版的Home Assistant (2024.3.x系列)。该项目特别优化了组件清单,仅包括最小必需的组件列表,以适应资源有限的环境。然而,它保留了MQTT、ESPHome和ZHA这些广泛用于智能家居解决方案的组件,确保了兼容性和实用性。
快速启动指南
前提条件
确保你的设备满足以下要求:
- 至少256MB存储空间
- 至少256MB RAM
- 已安装OpenWrt 23.05.0或更新版本
安装步骤
执行以下命令下载并自动安装Home Assistant:
wget https://raw.githubusercontent.com/openlumi/homeassistant_on_openwrt/23.05/ha_install.sh -O - | sh
脚本执行完毕并显示"Done"后,Home Assistant即被成功安装。服务将会自动启动,或你可以选择重启设备。完成所有组件加载后,可以通过默认的8123端口访问Web界面。初始安装的组件限于MQTT和ZHA;添加额外组件时,如果遇到依赖项问题,重启动Home Assistant可能解决。
ZHA在小米网关上的使用
该组件使用内部UART与ZigBee芯片通信。芯片必须刷入适当的固件才能与Home Assistant通信。推荐固件版本为v3.23。
在ZHA配置中使用 /dev/ttymxc1 端口,该端口连接到zigbee芯片。
在添加新设备之前必须擦除持久数据管理器(PDM),否则设备添加会失败。
在控制台中使用以下命令擦除PDM:
jntool erase_pdm
Zigbee端口不能被任何程序锁定,如ZHA或zigbee2mqtt。
注意:通过UI添加新组件后,可能需要重启Home Assistant以使其看到新安装的要求。例如,ZHA安装paho-mqtt,除非重启HA,否则不允许配置它。
启用其他组件和安装自定义组件
你可能希望向HA安装添加更多组件。在这种情况下,你必须从PyPI下载tar.gz文件,然后解压内容并将所需的组件复制到 /usr/lib/python3.11/site-packages/homeassistant/components。如果组件使用前端向导,你可能还需要取消注释 /usr/lib/python3.11/site-packages/homeassistant/generated/config_flows.py 中的相应行。
或者你可以在 /etc/homeassistant 中创建 custom_components 目录并将组件复制到那里。
尝试使用 pip3 手动安装 manifest.json 中的要求,以检查它是否安装且不需要预编译的C库。否则,你必须交叉编译python3依赖项并将其安装为 ipk 包。
如果依赖项已经通过opkg或pip3安装,你可能希望修复 manifest.json 中的严格依赖项为较弱版本或完全删除版本。
应用案例和最佳实践
应用案例:将OpenWrt路由器上的网络状态实时同步到Home Assistant中。例如,利用其集成的能力监控每个无线网络连接的设备数、WAN流量统计以及系统负载等。对于那些希望从路由器层面获得更深入智能家居数据的用户而言,这是非常实用的功能。通过配置Home Assistant中的自定义传感器和利用MQTT,可以轻易实现这些数据的采集和历史记录。
最佳实践建议定期检查Home Assistant及其依赖的更新,并在添加新组件前评估其对系统资源的影响。此外,定期备份配置是保持系统稳定性的关键操作。
典型生态项目
在Home Assistant的OpenWrt应用场景中,可以结合ESPHome轻松管理基于ESP微控制器的家庭自动化设备,或者利用MQTT作为消息总线,让家庭中的不同智能设备相互通信。另外,集成Glances监控插件可以扩展监控功能,不仅限于上述提到的指标,还能获取系统更加详细的状态信息,进一步丰富你的智能家居生态系统。
通过这样的配置,OpenWrt不仅是网络的守护者,也成为了智能家居控制中心的关键一环,实现了路由器与智能家居系统的深度整合。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
