LangChain, Home Assistant AI или TuyaClaw: три фреймворка для AI-умного дома, которые я тестировал 3 месяца

Умный дом, который тупит без интернета - это просто коллекция железа

Три месяца назад я решил сделать свою квартиру по-настоящему умной. Не просто включать свет по таймеру, а чтобы система понимала "сделай поуютнее" и сама регулировала освещение, температуру и музыку. Первая проблема: все облачные решения отключаются при падении интернета. Вторая: готовые AI-ассистенты либо слишком общие, либо требуют ежемесячной подписки.

Я протестировал три подхода: LangChain с его экосистемой, Home Assistant AI как часть самой популярной платформы умного дома и TuyaClaw - китайский фреймворк, который обещает простоту. Результаты удивили даже меня.

LangChain: швейцарский нож, который весит 50 килограмм

LangChain стал стандартом де-факто для разработки AI-приложений. В теории: берешь готовые компоненты, собираешь цепочку, подключаесь к любой LLM. В умном доме это выглядит заманчиво - один фреймворк для RAG, планирования действий и интеграции с устройствами.

# Пример LangChain для умного дома - выглядит элегантно
from langchain_home_assistant import HomeAssistantToolkit
from langchain.agents import create_react_agent
from langchain_community.llms import Ollama

# Подключаемся к Home Assistant
kitchen_light = HomeAssistantToolkit(
    entity_id="light.kitchen",
    base_url="http://localhost:8123",
    token="YOUR_TOKEN"
)

# Создаем агента
agent = create_react_agent(
    llm=Ollama(model="llama3.2:latest"),
    tools=[kitchen_light.turn_on, kitchen_light.turn_off]
)

# Запускаем
result = agent.run("Включи свет на кухне")
print(result)  # В теории работает

Проблема начинается, когда пытаешься развернуть это на Raspberry Pi 5. LangChain тянет за собой 187 зависимостей (я считал). Память заканчивается через 10 минут работы. Производительность падает в 3 раза по сравнению с чистыми вызовами к Ollama.

1 Где LangChain реально выигрывает

• Интеграция с RAG - можете подключить векторную базу с документами по настройке умного дома, и AI будет искать решения проблем в вашей документации
• Мультимодальность - последняя версия 0.4.2 отлично работает с Gemini 2.0 Vision, можно анализировать изображения с камер
• Готовые цепочки - если нужно построить сложный workflow (детектирование движения → анализ изображения → принятие решения), здесь есть все компоненты

Home Assistant AI: когда хочется всё и сразу, но без программирования

В Home Assistant 2026 появился нативный AI-компонент. Не плагин, не надстройка - часть ядра. Он использует локальные модели через Ollama, но абстрагирует всю сложность. Настраивается через UI, работает из коробки.

# configuration.yaml - настройка AI в Home Assistant
homeassistant:
  ai:
    enabled: true
    provider: ollama
    ollama_url: http://localhost:11434
    model: mistral-nemo:latest  # Специальная версия для IoT
    
automation:
  - alias: "AI регулировка климата"
    trigger:
      platform: time_pattern
      minutes: '/30'
    action:
      - service: ai.process
        data:
          prompt: >
            Проанализируй температуру в спальне, гостиной и на улице.
            Учитывай время суток и расписание сна.
            Оптимальная температура для сна 20°C, для бодрствования 22°C.
            Если нужно изменить - вызови сервис climate.set_temperature
          entities:
            - sensor.bedroom_temperature
            - sensor.livingroom_temperature
            - sensor.outside_temperature

Сила Home Assistant AI в интеграции. Он знает все ваши устройства, все сенсоры, все сценарии. Не нужно писать адаптеры - AI работает напрямую с Home Assistant API. Но есть ограничение: только те модели, которые официально поддерживаются. Хотите поэкспериментировать с новой китайской LLM? Придется ждать, пока кто-то напишет интеграцию.

TuyaClaw: китайская магия, которая либо работает идеально, либо не работает вообще

TuyaClaw вышел в 2025 году и сразу завоевал Китай. Это фреймворк, заточенный под устройства Tuya, но работающий с любыми Zigbee и Wi-Fi устройствами. Его философия: "минимальный код, максимальная автоматизация".

Секрет TuyaClaw в предобученных моделях, оптимизированных именно для умного дома. Они понимают контекст жилья: "жарко" значит выше 25°C, "темно" значит меньше 50 люкс. Не нужно объяснять базовые понятия.

# TuyaClaw - весь код для голосового управления
from tuya_claw import HomeAI
import asyncio

async def main():
    # Инициализация занимает одну строку
    ai = HomeAI(api_key="ваш_ключ", region="eu")  
    
    # Загружаем конфигурацию устройств
    await ai.discover_devices()
    
    # Простой вызов
    response = await ai.execute(
        command="Включи кондиционер в спальне на 23 градуса",
        context={
            "time_of_day": "night",
            "season": "summer"
        }
    )
    
    print(f"Выполнено: {response.action}")
    print(f"Потрачено токенов: {response.tokens_used}")

asyncio.run(main())

Самая большая проблема TuyaClaw - документация на китайском. Переводчик справляется плохо, потому что термины специфические. Зато сообщество огромное - на китайских форумах вы найдете готовые конфиги для любых сценариев.

Ошибки, которые я совершил за вас

Ошибка 1: Пытался запустить LangChain на Raspberry Pi 4 с 4GB RAM

Результат: система начинала свопиться через 15 минут, ответы приходили по 30-40 секунд. Решение: либо более мощное железо (минимум 8GB RAM), либо использовать легковесные альтернативы LangChain.

Ошибка 2: Не настроил квоты на вызовы AI в Home Assistant

По умолчанию Home Assistant AI может вызывать сервисы без ограничений. В одном из тестов AI решил "оптимизировать" температуру и менял её каждые 2 минуты. Кондиционер чуть не сгорел. Теперь ставлю лимит: не больше 5 вызовов сервисов в час для критических устройств.

Ошибка 3: Доверил TuyaClaw управление дверными замками

Фраза "закрой дом" была интерпретирована как "активируй режим охраны", который включает сигнализацию. В 3 утра. Соседи до сих пор не разговаривают. Мораль: тестируйте AI с безопасными устройствами (свет, розетки) хотя бы месяц перед подключением критической инфраструктуры.

Сценарии: какой фреймворк для какой задачи

Сценарий 1: У вас 50+ устройств от разных производителей

Выберите Home Assistant AI. Он уже знает про все ваши интеграции. Не нужно писать адаптеры - просто работайте через единый API. Особенно если у вас смесь Zigbee, Z-Wave и Wi-Fi устройств.

Сценарий 2: Разрабатываете коммерческий продукт или проводите исследования

Берите LangChain. Экосистема, возможность кастомизации, поддержка любых LLM (включая локальные через Ollama). Если проект вырастет, не придется переписывать архитектуру. Для серьезных проектов посмотрите также on-prem AI стек для предприятий.

Сценарий 3: Всё из AliExpress, хочется просто и быстро

TuyaClaw создан для этого. Определит китайские девайсы по MAC-адресу, предложит готовые сценарии. Если большинство устройств - Tuya или аналоги, вы сэкономите недели настройки.

Сценарий 4: Полностью локальное решение без облаков

Исключайте TuyaClaw (часть логики в облаке). Либо Home Assistant AI с локальной Ollama, либо LangChain с тщательной настройкой (отключайте все телеметрии). Для полностью локального агента на CPU посмотрите HomeGenie v2.0.

Что будет через год? Мой прогноз

Все три фреймворка сольются в некий гибрид. LangChain уже добавляет упрощенные API, Home Assistant расширяет AI-компонент, TuyaClaw обещает полностью локальную версию. Но прямо сейчас нужно выбирать исходя из вашего стека.

Мой личный стек на март 2026: Home Assistant AI для повседневной автоматизации + кастомные скрипты на LangChain для сложных сценариев. TuyaClaw отложил в сторону - слишком много устройств не-Tuya.

P.S. Если у вас Mac и хочется поэкспериментировать с AI-ассистентом на рабочем столе, посмотрите как превратить Ollama в персонального ассистента. Технологии те же, но контекст другой.

Подписаться на канал