小米开源Miloco 2.0：智能家居正式迈入Agent时代

6月18日小米将Miloco 2.0的完整架构推上开源社区，官方推荐部署环境直接划下了4GB内存与256GB存储的硬门槛，并要求系统7×24小时常驻运行。这次动作彻底切断了智能家居沿用多年的规则触发链路，底层逻辑正式切换为基于自研MiMo大模型的Agent架构。系统通过OpenClaw框架接管设备调度后，交互模式从死板的条件匹配转向具备常识推理与长期记忆的主动干预。晚归自动触发关怀语音、新增传感器自行推荐联动场景，都是大模型在沉淀家庭历史数据后做出的非预设决策。中国信通院近期将记忆管理列为智能体核心基础设施，Miloco 2.0的开源正好把这条技术路线搬进了客厅。 能力跃升的代价是算力开销与数据边界的同步收紧。方案虽然把感知层和推理层拆分给不同规格的大模型接口，但维持多模态持续在线的算力消耗并不低，普通家用网关级别的硬件根本兜不住这种负载。更现实的是，长期记忆沉淀必然伴随家庭成员身份信息与行为轨迹的持续采集，本地算力一旦吃紧，云端API的高频调用与数据脱敏机制就成了绕不开的坎。智能家居向Agent架构演进的技术路径已经跑通，但开发者在拉取代码部署前，得先算清本地设备的冗余空间和长期调用的API账单。算力成本与隐私合规，依然是这套方案走出极客圈、迈向规模化落地的硬约束。 传统智能家居的运行逻辑长期被困在IF-THEN的死循环里。设备只认传感器阈值，不认具体的人与环境变化。Miloco 2.0直接把这套僵化链路拆了，系统不再依赖开发者手动编写联动脚本，而是将碎片化感知数据直接喂给大模型进行常识推理。刀具出现在儿童活动区、老人步态异常跌倒，这些过去需要额外堆砌传感器或硬编码规则才能覆盖的场景，现在依靠模型内建的物理世界常识即可完成风险分级。 记忆系统的引入让家庭交互从单次指令响应转向连续上下文管理。方案会持续沉淀成员作息轨迹与设备使用偏好，将这些非结构化数据转化为Agent决策的长期参考。以前设定定时任务靠写死的时间戳，现在大模型能根据连续晚归的数据主动调整照明策略，并在习惯稳定后直接升级为可长期运转的自动化任务交由调度层执行。规则引擎退居二线，意图理解与任务编排上移至推理层。开发者接入时需重点验证记忆召回的准确率与常识推理的触发阈值，防止过度主动干预造成系统误报。 验证阈值只是工程适配的一环，产业侧的路线图已经为这种架构转向定调。中国信通院今天同步发布的2026智能体十大关键词里，直接抛出智能体记忆这一核心指标，明确将其界定为贯通上下文的经验仓库。报告原文强调，新一代记忆架构必须摆脱静态存储，转向对交互历史与任务状态的持续沉淀。这套标准与Miloco 2.0的底层设计严丝合缝。传统智能家居的数据留存只是死板的系统日志，设备重启或断网后上下文直接清零，交互永远卡在单次指令的被动响应里。Miloco 2.0把记忆层做成了动态生长的向量库，系统不再机械记录开关机频次，而是把作息轨迹、设备偏好甚至环境微变化压缩为可检索的高维特征。大模型每次调度前都会先拉取这段经验，判断该维持照明还是该触发安防。 从被动响应到经验仓库的跨越，实质是把家庭场景的控制权从IF-THEN规则库交还给上下文理解。信通院的基建规划已经点明，长时程记忆维护需要本地节点提供高强度的向量化存储与检索算力。普通家用网关的NPU根本兜不住这种持续在线的负载，算力瓶颈会直接卡在习惯沉淀的召回精度上。隐私账本同样在收紧，经验仓库越丰满，家庭成员的行为画像就越清晰。一旦为了降本把记忆同步外包给云端API，数据脱敏和权限隔离的工程开销会呈指数级上升。 产业共识已经形成，记忆架构不再是锦上添花的营销噱头，而是Agent规模化落地的硬指标。开发者在推进本地化部署时，得优先压测向量数据库的检索延迟与上下文窗口压缩率。把经验仓库跑通只是技术起点，压住算力开销并守住本地数据红线，才是这套方案能真正扎根客厅的工程底线。 代码拉下来之前，得先看清小米划下的硬门槛。官方清单写得很干脆：内存底线4GB，存储预留256GB，系统必须7×24小时常驻。推荐机型直接指向Mac mini，普通家用网关和吃灰的树莓派基本出局。操作系统只认macOS和Linux，Windows环境必须套WSL虚拟机才能跑通。这套依赖关系把本地算力节点的要求拉得很高，Agent的推理底座也完全绑定了云端。多模态大模型API是必选项，感知层调用MiMo-v2.5，核心Agent决策必须切到MiMo-v2.5-pro，所有Key都得在OpenClaw编排层手动配齐。 以前部署智能家居，局域网内刷个固件配个网关就算完工；现在要把Agent架构跑起来，你得专门腾出一台长期开机的独立设备，并且准备好按月支付云端Token账单。本地4GB内存仅够维持基础服务不崩，一旦多模态感知和向量记忆检索同时触发，内存水位和CPU占用会瞬间打满。更现实的账本在于API调用频次，家里设备越多、交互越频繁，云端推理的费用就越难封顶。开发者在跑通Demo前，最好先拿闲置的迷你主机压测一周的负载曲线。开源不等于零成本，把硬件冗余和云端API的持续开销压进预算，才是这套方案能稳定跑下去的前提。 跨过硬件与接口门槛，具体到代码层面的任务编排与生态接入，OpenClaw成了必须啃透的中间件。这套框架不提供可视化拖拽，开发者得直接处理YAML配置与API路由表。家庭任务的落地逻辑已经重构，过去依赖硬编码的定时脚本被拆解为可插拔的技能节点。在OpenClaw里注册设备控制、状态查询和异常上报后，大模型拿到工具列表，靠意图解析自主拼装执行路径。 接入清单的第一道关卡是权限沙箱与并发控制。米家设备API默认处于受限状态，下发控制指令必须在编排层逐项授权。多Agent同时调用环境设备极易引发状态冲突，建议在任务流中加入执行锁与结果校验，让模型在动作下发前核对实时状态，避免盲目轮询。记忆模块的挂载同样需要手动调优，向量库的检索策略必须跟业务场景对齐。习惯统计类任务适合走低频异步通道，而跌倒预警这类高风险场景必须切到实时流处理，通道混用会导致关键指令被长上下文检索拖垮。 跑通示例代码只是起点，工程难点在于任务边界的收敛。Agent的推理链路天然冗长，把高频确定性联动全交给大模型，只会徒增API延迟和调用成本。开发者需要在OpenClaw里划清硬规则与软推理的交界线，将传感器阈值匹配下沉至本地网关，仅把依赖常识判断与长周期记忆的任务交由云端MiMo处理。开源方案提供了标准架构，但家庭场景的非标特性决定了不存在开箱即用的万能配置。把工具注册做扎实、压透API延迟与重试策略，比盲目追求全量智能更实际。理清编排层的权责边界，才是这套Agent架构能稳定跑满一年的工程底线。 功能跑通只是起点，长期运行的系统必须直面数据安全与资源消耗的底线问题。Miloco 2.0把经验仓库建在本地，听起来很安全，但记忆沉淀的本质是持续采集。人脸体态、作息轨迹、设备交互频次，这些数据在向量库里越堆越厚，家庭画像也就越来越清晰。以前智能家居只记开关状态，现在系统要记住谁几点回家、谁有跌倒风险。身份识别与习惯统计一旦绑定长期记忆，数据边界的划定就不能只靠一句本地处理。向量检索本身极吃内存，官方给出的4GB底线在并发调用多模态感知时极易触顶。一旦本地算力兜不住，高频请求必然外溢到云端API，这时候数据脱敏、权限隔离和传输加密的工程开销会直接压垮系统响应速度。 算力账本同样是一笔隐形支出。方案要求7×24小时常驻，感知层调MiMo-v2.5，决策层切MiMo-v2.5-pro，双模型同时在线跑长上下文。家里传感器越多、主动干预越频繁，云端Token的消耗就越难封顶。普通用户拿闲置主机跑个Demo没问题，真要支撑全屋设备联动，每月固定的API支出和硬件折旧必须提前计入预算。主动智能不是白来的，它靠的是持续燃烧的算力和不断喂养的数据。 把Agent架构塞进客厅，技术路线已经跑通，但规模化落地的卡点不在代码，而在物理资源与合规红线。开发者在拉取仓库前，得先压测本地节点的内存水位，并给API调用设置明确的频次熔断。隐私脱敏不能等出事再补，算力预算也不能靠后期打补丁。算不清这两本账，再聪明的管家也只会停在极客的演示视频里。