智能家居Agentic AI系统：提示工程架构师的优化方法

Agentic AI的本质是具备目标导向的自主智能体，其核心运行逻辑遵循感知-决策-行动循环（Perception-Action Cycle, PAC）graph TDA[感知：收集多源数据] --> B[理解：上下文建模与意图识别]B --> C[决策：目标规划与冲突解决]C --> D[行动：设备控制与用户交互]D --> E[反馈：收集结果与用户评价]E --> A[更新感知模型]感知层。

AA尚诺传承

874人浏览 · 2025-09-16 10:48:12

AA尚诺传承 · 2025-09-16 10:48:12 发布

智能家居Agentic AI系统：提示工程架构师的优化方法

一、引言：从“规则盒子”到“智能伙伴”的智能家居革命

清晨7点，你揉着眼睛坐起来——窗帘已经自动拉开30%（不是全敞，因为窗外正飘着小雨），床头柜上的咖啡杯里装着70℃的热拿铁（你上周说过“凉咖啡会让胃难受”），恒温器悄悄把温度调到了24℃（昨天你感冒时嘟囔“房间有点冷”）。这时手机弹出提示：“今天有小雨，我帮你把阳台的衣服收好了，玄关的伞已经放在显眼位置～”

这不是科幻电影里的场景，而是Agentic AI智能家居系统的日常。与传统“if-else规则引擎”驱动的智能家居不同（比如“早上7点拉窗帘”“温度低于20℃开暖气”），Agentic AI系统中的“智能体（Agent）”具备自主感知、上下文理解、目标规划能力——它不是“执行指令的工具”，而是“理解你的伙伴”。

而让这些Agent真正“懂你”的核心技术，正是提示工程（Prompt Engineering）。作为提示工程架构师，你需要为Agent的“大脑”（大语言模型，LLM）设计精准的“思考框架”，让它能在复杂场景中做出符合用户需求的决策。

二、基础认知：Agentic AI与智能家居的底层逻辑

在深入优化方法前，我们需要先明确两个关键概念：Agentic AI的核心架构，以及它与传统智能家居的本质区别。

2.1 Agentic AI的定义与“感知-决策-行动”循环

Agentic AI的本质是具备目标导向的自主智能体，其核心运行逻辑遵循感知-决策-行动循环（Perception-Action Cycle, PAC）：

graph TD
    A[感知：收集多源数据] --> B[理解：上下文建模与意图识别]
    B --> C[决策：目标规划与冲突解决]
    C --> D[行动：设备控制与用户交互]
    D --> E[反馈：收集结果与用户评价]
    E --> A[更新感知模型]

具体到智能家居场景：

感知层：收集环境数据（温度、湿度、天气）、设备状态（窗帘位置、咖啡机开关）、用户数据（健康状态、行为习惯、语音指令）；
理解层：用LLM解析上下文（比如“我冷了”不仅是开暖气，还要结合“下雨”“感冒”等信息）；
决策层：规划行动路径（比如“先关窗户→再开暖气→再调至24℃”）；
行动层：调用Home Assistant/米家等平台的API控制设备；
反馈层：收集用户反馈（比如“温度太高了”），迭代优化模型。

2.2 传统智能家居的3大痛点与Agentic AI的解决方案

传统智能家居的核心是“规则驱动”，依赖工程师预先编写的if-else逻辑，无法应对复杂场景：

传统痛点	Agentic AI解决方案
规则僵硬（比如“下雨仍拉窗帘”）	上下文理解（结合天气、用户习惯动态调整）
缺乏记忆（比如“忘记你喜欢热咖啡”）	长期记忆（向量数据库存储用户习惯）
协同差（比如“开空调时忘关窗户”）	多Agent协同（主Agent协调温控/通风Agent）

2.3 提示工程的角色：Agent的“思考规则书”

Agent的“大脑”是LLM（比如GPT-4、LLaMA 3、Qwen），但LLM本身是“通用模型”——它需要**提示（Prompt）**来明确“角色、目标、约束”。

举个例子：如果直接问LLM“我冷了怎么办？”，它可能回答“多穿衣服”；但如果给它一个场景化Prompt：

你是智能家居的温控Agent，当前场景：早上7点，室外下雨（15℃），用户昨天感冒，习惯起床时温度22℃。你的目标是让用户舒适，约束是不能超过用户设定的最高温度（25℃）。请输出温控指令。

LLM会给出更精准的结果：“将温度调至24℃（比习惯高2℃，符合感冒需求），并关闭客厅窗户（防止冷风吹入）。”

提示工程的本质，就是为LLM设计“思考框架”，让通用模型适配智能家居的特定场景。

三、核心优化方法：提示工程架构师的“六脉神剑”

作为提示工程架构师，你需要从场景适配、上下文管理、多Agent协同、反馈迭代、安全合规、性能优化六大维度优化Prompt。以下是具体方法和实战案例。

3.1 方法1：场景化Prompt设计——让Agent“懂场景”

智能家居的核心是“场景”（比如起床、睡眠、访客、节能），每个场景有不同的“角色、目标、约束”。场景化Prompt的设计要点是：将场景参数、角色设定、决策边界结构化。

3.1.1 场景化Prompt的“3要素”

一个有效的场景化Prompt必须包含：

角色定位：明确Agent的身份（比如“智能家居主Agent”“温控Agent”）；
场景上下文：时间、天气、设备状态、用户状态等关键参数；
决策规则：目标（比如“优化舒适体验”）、约束（比如“不能更改用户核心设置”）。

3.1.2 实战案例：起床场景的Prompt设计

假设我们要设计“起床场景”的主Agent Prompt，完整模板如下：

# 角色定位
你是智能家居的「起床场景主Agent」，负责协调窗帘、咖啡机、温控器的协同工作。

# 场景上下文
当前时间：{current_time}（格式：HH:mm）
室外天气：{weather}（温度：{outside_temp}℃，是否下雨：{is_rain}）
用户状态：{user_state}（比如“感冒”“熬夜”）
用户习惯：{user_habits}（比如“喜欢早上喝70℃咖啡”“起床时窗帘半开”）

# 决策规则
1. 目标：优先保证用户健康与舒适，其次遵循用户习惯；
2. 约束：
   - 不能擅自修改用户设定的起床时间；
   - 咖啡机只能在起床前10分钟启动（避免咖啡变凉）；
   - 温控器调整范围不能超过用户设定的「舒适区间」（{min_temp}℃~{max_temp}℃）；
3. 输出要求：
   - 列出具体的设备控制指令（比如“窗帘开30%”“咖啡机启动”“温控调至24℃”）；
   - 给出1条用户提示（比如“今天下雨，我帮你把伞放在玄关了～”）。

3.1.3 代码实现：动态注入场景参数

我们可以用LangChain的PromptTemplate动态生成场景化Prompt：

from langchain.prompts import PromptTemplate

# 定义Prompt模板
wakeup_prompt_template = PromptTemplate(
    input_variables=[
        "current_time", "weather", "outside_temp", "is_rain",
        "user_state", "user_habits", "min_temp", "max_temp"
    ],
    template="""
# 角色定位
你是智能家居的「起床场景主Agent」，负责协调窗帘、咖啡机、温控器的协同工作。

# 场景上下文
当前时间：{current_time}
室外天气：{weather}（温度：{outside_temp}℃，是否下雨：{is_rain}）
用户状态：{user_state}
用户习惯：{user_habits}

# 决策规则
1. 目标：优先保证用户健康与舒适，其次遵循用户习惯；
2. 约束：
   - 不能擅自修改用户设定的起床时间；
   - 咖啡机只能在起床前10分钟启动；
   - 温控器调整范围不能超过{min_temp}℃~{max_temp}℃；
3. 输出要求：
   - 列出具体的设备控制指令；
   - 给出1条用户提示。
"""
)

# 动态注入场景参数
scene_params = {
    "current_time": "07:00",
    "weather": "小雨",
    "outside_temp": 15,
    "is_rain": "是",
    "user_state": "感冒",
    "user_habits": "喜欢早上喝70℃咖啡，起床时窗帘半开",
    "min_temp": 18,
    "max_temp": 25
}

# 生成最终Prompt
final_prompt = wakeup_prompt_template.format(**scene_params)
print(final_prompt)

3.2 方法2：上下文管理与记忆优化——让Agent“记得你”

传统智能家居的致命缺陷是“没有记忆”：它不知道你上周说过“咖啡要热一点”，也不记得你冬天喜欢把温度调至23℃。Agentic AI的优势在于**长期记忆（Long-Term Memory）和短期场景记忆（Short-Term Context）**的结合——而提示工程需要解决的是：如何高效地将记忆注入Prompt。

3.2.1 记忆管理的“双库模式”

我们用**向量数据库（Vector DB）存储长期记忆（用户习惯、偏好），用会话缓存（Session Cache）**存储短期场景记忆（比如“客人来了”“正在煮咖啡”）。

具体流程：

存储：将用户习惯（比如“喜欢热咖啡”）转换为向量，存入Chroma/Weaviate等向量数据库；
检索：当触发场景时（比如“起床”），用场景参数（比如“早上7点，感冒”）作为查询词，从向量数据库中检索相关记忆；
注入：将检索到的记忆片段动态插入Prompt。

3.2.2 实战案例：用向量数据库优化记忆检索

以下是用LangChain + Chroma实现用户习惯检索的代码：

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter

# 1. 准备用户习惯数据（示例）
user_habits = [
    "用户喜欢早上喝70℃的热咖啡，不要加糖",
    "用户感冒时，喜欢将温度调至24℃",
    "用户起床时，窗帘要开30%（避免强光刺眼）",
    "用户周末喜欢晚起1小时（08:00起床）"
]

# 2. 初始化向量数据库
embeddings = OpenAIEmbeddings()  # 也可以用本地嵌入模型（比如BERT）
text_splitter = CharacterTextSplitter(chunk_size=100, chunk_overlap=0)
split_habits = text_splitter.split_documents(user_habits)

# 3. 将用户习惯存入Chroma
vector_db = Chroma.from_documents(
    documents=split_habits,
    embedding=embeddings,
    persist_directory="./user_habits_db"  # 持久化存储
)
vector_db.persist()

# 4. 检索相关记忆（比如“起床场景，感冒”）
query = "起床场景，用户感冒"
retrieved_habits = vector_db.similarity_search(query, k=2)  # 取最相关的2条

# 5. 将记忆转换为文本，注入Prompt
habit_text = "\n".join([doc.page_content for doc in retrieved_habits])
print(f"检索到的用户习惯：{habit_text}")

输出结果：

检索到的用户习惯：
用户感冒时，喜欢将温度调至24℃
用户起床时，窗帘要开30%（避免强光刺眼）

3.2.3 关键优化点：避免“Prompt膨胀”

LLM的上下文窗口是有限的（比如GPT-4是8k/32k tokens），如果注入过多无关记忆，会导致LLM“注意力分散”。解决方法是：

相关性过滤：用向量检索的“相似度分数”过滤低相关记忆（比如只取分数≥0.8的片段）；
摘要压缩：用LLM将长记忆摘要为短句（比如“用户喜欢热咖啡”代替“用户上周三说咖啡凉了不好喝，周五又提醒要热一点”）。

3.3 方法3：多Agent协同的Prompt编排——让Agent“会合作”

智能家居是多Agent系统：比如温控Agent、窗帘Agent、安防Agent、咖啡机Agent。这些Agent需要协同工作（比如“开空调时要关窗户”），而提示工程的任务是设计“协同规则”，让Agent之间不会“打架”。

3.3.1 多Agent协同的“主-从架构”

我们通常采用主Agent + 从Agent的架构：

主Agent：负责全局协调（比如解决冲突、分配任务）；
从Agent：负责具体设备控制（比如温控、窗帘）。

主Agent的Prompt需要包含协同规则，比如：

当温控Agent建议开暖气，而通风Agent建议开窗时，优先遵循“健康优先”原则——先关窗户，再开暖气。

3.3.2 实战案例：解决“温控与通风的冲突”

假设场景：用户感冒，温控Agent建议“调至24℃”，而通风Agent建议“开窗（室内湿度80%）”。主Agent的Prompt设计如下：

# 角色定位
你是智能家居的「协同主Agent」，负责解决从Agent之间的冲突。

# 当前冲突
温控Agent指令：将温度调至24℃（理由：用户感冒，需要保暖）
通风Agent指令：打开客厅窗户（理由：室内湿度80%，容易滋生霉菌）

# 协同规则
1. 优先级：用户健康 > 环境舒适 > 节能；
2. 约束：
   - 开暖气时不能开窗（避免热量流失）；
   - 湿度超过70%时必须通风（防止霉菌）；
3. 输出要求：
   - 协调后的最终指令；
   - 解释决策理由。

LLM的输出结果可能是：

最终指令：1. 关闭客厅窗户；2. 将温度调至24℃；3. 启动空气净化器（降低湿度）。
理由：用户感冒优先，先关窗户保证保暖；用空气净化器替代开窗通风，解决湿度问题。

3.3.3 代码实现：多Agent的Prompt调用

我们可以用LangChain的Agent框架实现主-从协同：

from langchain.agents import AgentType, initialize_agent, Tool
from langchain.llms import Ollama

# 1. 定义从Agent工具（温控、通风）
def control_thermostat(temp: int) -> str:
    """控制温控器，输入整数温度"""
    return f"温控器已调至{temp}℃"

def control_ventilation(state: str) -> str:
    """控制通风系统，输入'open'或'close'"""
    return f"通风系统已{state}"

# 2. 初始化工具列表
tools = [
    Tool(
        name="ControlThermostat",
        func=control_thermostat,
        description="控制温控器温度，输入整数"
    ),
    Tool(
        name="ControlVentilation",
        func=control_ventilation,
        description="控制通风系统开关，输入'open'或'close'"
    )
]

# 3. 初始化LLM（本地运行LLaMA 3）
llm = Ollama(model="llama3", temperature=0.1)

# 4. 设计主Agent的协同Prompt
collab_prompt = """
你是智能家居的协同主Agent，负责解决从Agent的冲突。
当前冲突：
温控Agent要求调至24℃（用户感冒），通风Agent要求开窗（湿度80%）。
协同规则：
1. 健康优先：先保证用户保暖；
2. 替代方案：用空气净化器解决湿度问题。
请调用工具输出最终指令。
"""

# 5. 初始化主Agent
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 6. 运行协同决策
response = agent.run(collab_prompt)
print(response)

输出结果（LLM的思考过程）：

我现在需要解决温控和通风的冲突。首先，用户感冒，健康优先，所以要先关窗户（通风系统close），然后调温控到24℃。湿度问题用空气净化器解决，但工具里没有空气净化器，所以只执行前两步。调用ControlVentilation(close)，再调用ControlThermostat(24)。

最终指令：
1. 通风系统已close
2. 温控器已调至24℃

3.4 方法4：反馈循环与Prompt迭代——让Agent“越用越懂你”

提示工程不是“一锤子买卖”——你需要收集用户反馈，持续优化Prompt。这本质是一个“强化学习（RL）”过程：用户反馈是“奖励信号”，Prompt迭代是“策略优化”。

3.4.1 反馈循环的“3步流程”

收集反馈：通过APP/语音询问用户对Agent决策的评价（比如“温度合适吗？”“咖啡温度对吗？”）；
标注数据：将反馈分为“正向（≥4分）”“负向（≤2分）”“中性（3分）”；
迭代Prompt：保留正向反馈对应的Prompt结构，修改负向反馈对应的Prompt（比如增加“优先考虑用户健康”的约束）。

3.4.2 实战案例：用反馈优化温控Prompt

假设我们收集了以下用户反馈：

Prompt内容	决策结果	用户评分	反馈理由
温控Agent，场景：感冒，调至24℃	调至24℃	5分	温度刚好，很舒服
温控Agent，场景：感冒，调至22℃	调至22℃	2分	太冷了，感冒更严重了
温控Agent，场景：夏天，调至26℃	调至26℃	4分	很凉快，不费电

我们可以从正向反馈中提取“感冒时调至24℃”的规则，优化Prompt模板：

from langchain.prompts import PromptTemplate
import pandas as pd

# 1. 加载反馈数据
feedback_df = pd.DataFrame({
    "prompt": [
        "温控Agent，场景：感冒，调至24℃",
        "温控Agent，场景：感冒，调至22℃",
        "温控Agent，场景：夏天，调至26℃"
    ],
    "decision": ["24℃", "22℃", "26℃"],
    "rating": [5, 2, 4],
    "reason": [
        "温度刚好",
        "太冷了",
        "很凉快"
    ]
})

# 2. 筛选正向反馈（rating≥4）
positive_feedback = feedback_df[feedback_df["rating"] >= 4]

# 3. 提取共同规则：“感冒时调至24℃”“夏天调至26℃”
positive_rules = positive_feedback["prompt"].apply(lambda x: x.split("：")[-1])

# 4. 优化Prompt模板
optimized_prompt = PromptTemplate(
    input_variables=["scene"],
    template=f"""
你是温控Agent，当前场景：{scene}。
已知有效规则：{', '.join(positive_rules)}。
请输出温控指令。
"""
)

# 测试优化后的Prompt
print(optimized_prompt.format(scene="感冒"))

输出结果：

你是温控Agent，当前场景：感冒。
已知有效规则：调至24℃, 调至26℃。
请输出温控指令。

3.4.3 关键工具：Prompt优化的自动化平台

为了提高效率，你可以使用以下工具自动化反馈循环：

LangSmith：LangChain的调试平台，可跟踪Agent的思考过程和用户反馈；
PromptLayer：记录Prompt的调用历史和反馈，支持A/B测试；
Evidently AI：监控Prompt的性能（比如决策准确率、用户满意度）。

3.5 方法5：安全与合规的Prompt约束——让Agent“不闯祸”

智能家居涉及用户隐私（摄像头、健康数据）和安全（电器控制），提示工程必须加入“禁止规则”，避免Agent做出危险或违规行为。

3.5.1 安全Prompt的“4类约束”

隐私保护：禁止泄露用户的摄像头数据、健康记录；
安全操作：禁止擅自开启危险设备（比如燃气热水器）；
合规性：遵循当地法规（比如欧盟GDPR、中国《个人信息保护法》）；
用户授权：必须得到用户允许才能执行敏感操作（比如远程开锁）。

3.5.2 实战案例：安防Agent的安全Prompt

以下是安防Agent的Prompt设计，包含严格的隐私约束：

# 角色定位
你是智能家居的「安防Agent」，负责处理摄像头和门锁数据。

# 安全规则（必须严格遵守）
1. 隐私保护：
   - 绝对不能将摄像头数据分享给任何第三方（包括厂商）；
   - 不能存储超过7天的摄像头录像；
2. 安全操作：
   - 只有当检测到“陌生人”（未在用户通讯录中）时，才能向主人发送警报；
   - 远程开锁必须验证主人的指纹或语音指令；
3. 合规性：
   - 遵循《个人信息保护法》，所有数据存储在本地设备（不上传云端）。

# 当前场景
摄像头检测到：穿红色衣服的人在门口（已匹配用户通讯录中的“朋友张三”）。
请输出行动指令。

LLM的输出结果：

行动指令：1. 不发送警报（张三是用户朋友）；2. 向主人发送提示：“朋友张三在门口”；3. 不存储此次摄像头录像（因为是熟人）。

3.5.3 代码实现：安全约束的硬编码

为了确保安全规则不被LLM忽略，我们可以在代码中硬编码禁止行为：

def control_lock(action: str) -> str:
    """控制门锁，action可选'open'或'close'"""
    # 安全约束：远程开锁必须验证主人身份
    if action == "open" and not verify_user_identity():
        return "无法开锁，请先验证身份（指纹/语音）"
    # 执行开锁操作
    return f"门锁已{action}"

def verify_user_identity() -> bool:
    """验证主人身份（示例：检查当前用户是否是主人）"""
    current_user = get_current_user()  # 从APP获取当前用户
    return current_user == "主人"

3.6 方法6：性能优化——让Agent“反应快”

智能家居对响应速度要求很高（比如“说‘我冷了’，1秒内开暖气”），而LLM的推理速度往往较慢（尤其是大模型）。提示工程的性能优化要点是：减少Prompt长度，降低LLM的思考负担。

3.6.1 性能优化的“3个技巧”

Prompt缩写：将长规则缩写为短句（比如“健康优先”代替“优先考虑用户的健康状况，比如感冒、发烧”）；
工具优先：将简单决策交给工具（比如“温度低于18℃开暖气”），复杂决策交给LLM；
本地推理：使用本地LLM（比如LLaMA 3、Qwen）替代云端模型（比如GPT-4），减少网络延迟。

3.6.2 实战案例：用本地LLM提升响应速度

以下是用Ollama运行本地LLaMA 3的代码，响应速度可提升至1秒内：

from langchain.llms import Ollama

# 初始化本地LLM（LLaMA 3，7B参数）
llm = Ollama(model="llama3", temperature=0.1)

# 测试响应速度
import time
start_time = time.time()
response = llm.predict("温控Agent，场景：感冒，调至24℃")
end_time = time.time()
print(f"响应时间：{end_time - start_time:.2f}秒")
print(f"响应结果：{response}")

输出结果：

响应时间：0.87秒
响应结果：将温控器调至24℃（符合用户感冒时的保暖需求）。

四、项目实战：构建“起床场景”Agentic系统

我们用LangChain + Home Assistant + Ollama构建一个完整的“起床场景”Agentic系统，涵盖从环境搭建到Prompt优化的全流程。

4.1 开发环境搭建

安装Home Assistant：智能家居设备控制平台（https://www.home-assistant.io/）；
安装Ollama：本地LLM运行工具（https://ollama.com/），并下载LLaMA 3模型（ollama pull llama3）；
安装LangChain：pip install langchain；
安装Home Assistant API客户端：pip install homeassistant-api。

4.2 系统架构

graph TD
    A[Home Assistant：收集设备/环境数据] --> B[Chroma：存储用户习惯]
    B --> C[LangChain Agent：加载Prompt与LLM]
    C --> D[Ollama：运行本地LLaMA 3]
    D --> E[Home Assistant：执行设备控制]
    E --> F[用户反馈：收集评价]
    F --> B[更新用户习惯]

4.3 代码实现：完整的起床场景Agent

from langchain.agents import AgentType, initialize_agent, Tool
from langchain.llms import Ollama
from langchain.prompts import PromptTemplate
from homeassistant_api import Client
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
import time

# 1. 初始化Home Assistant客户端
HA_URL = "http://homeassistant.local:8123"
HA_TOKEN = "YOUR_HA_TOKEN"  # 从Home Assistant获取
ha_client = Client(url=HA_URL, token=HA_TOKEN)

# 2. 定义设备控制工具
def control_curtain(position: int) -> str:
    """控制窗帘位置（0%~100%）"""
    service = ha_client.get_domain("cover")
    service.call("set_cover_position", entity_id="cover.living_room_curtain", position=position)
    return f"窗帘已调整至{position}%"

def control_coffee_maker(state: str) -> str:
    """控制咖啡机开关（on/off）"""
    service = ha_client.get_domain("switch")
    service.call(f"turn_{state}", entity_id="switch.coffee_maker")
    return f"咖啡机已{state}"

def control_thermostat(temp: int) -> str:
    """控制温控器温度"""
    service = ha_client.get_domain("climate")
    service.call("set_temperature", entity_id="climate.living_room_thermostat", temperature=temp)
    return f"温度已设置为{temp}℃"

# 3. 初始化工具列表
tools = [
    Tool(name="ControlCurtain", func=control_curtain, description="控制窗帘位置，输入0~100的整数"),
    Tool(name="ControlCoffeeMaker", func=control_coffee_maker, description="控制咖啡机开关，输入'on'或'off'"),
    Tool(name="ControlThermostat", func=control_thermostat, description="控制温控器温度，输入整数")
]

# 4. 初始化向量数据库（用户习惯）
embeddings = OpenAIEmbeddings()
vector_db = Chroma(persist_directory="./user_habits_db", embedding_function=embeddings)

# 5. 设计起床场景Prompt模板
wakeup_prompt = PromptTemplate(
    input_variables=["scene", "user_habits"],
    template="""
你是智能家居的「起床场景主Agent」，负责协调窗帘、咖啡机、温控器。
当前场景：{scene}
用户习惯：{user_habits}
决策规则：
1. 咖啡机在起床前10分钟启动；
2. 窗帘开30%（避免强光）；
3. 感冒时温度调至24℃；
请调用工具输出指令。
"""
)

# 6. 初始化LLM与Agent
llm = Ollama(model="llama3", temperature=0.1)
agent = initialize_agent(
    tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, prompt=wakeup_prompt, verbose=True
)

# 7. 运行Agent（示例场景）
def run_wakeup_agent():
    # 获取当前场景参数（从Home Assistant获取）
    current_time = time.strftime("%H:%M")
    weather = ha_client.get_entity("weather.home").state["state"]
    outside_temp = ha_client.get_entity("sensor.outside_temperature").state
    is_rain = "是" if ha_client.get_entity("binary_sensor.rain_sensor").state == "on" else "否"
    user_state = "感冒"  # 从用户健康APP获取

    # 检索用户习惯
    query = f"起床场景，{user_state}"
    retrieved_habits = vector_db.similarity_search(query, k=2)
    user_habits = "\n".join([doc.page_content for doc in retrieved_habits])

    # 构造场景文本
    scene = f"当前时间：{current_time}，天气：{weather}（{outside_temp}℃），是否下雨：{is_rain}，用户状态：{user_state}"

    # 运行Agent
    response = agent.run(f"scene: {scene}, user_habits: {user_habits}")
    print("最终结果：", response)

# 执行Agent
run_wakeup_agent()

4.4 运行结果

Agent的思考过程（verbose模式）：

我现在需要处理起床场景。首先，当前时间是07:00，用户状态是感冒。用户习惯里有“感冒时调至24℃”和“起床时窗帘开30%”。咖啡机需要在起床前10分钟启动，也就是06:50，但现在已经07:00了，所以应该立即启动咖啡机。然后，窗帘开30%，温控调至24℃。调用ControlCoffeeMaker(on)，ControlCurtain(30)，ControlThermostat(24)。

最终结果：
咖啡机已on
窗帘已调整至30%
温度已设置为24℃