九月家庭 AI 实验室全景运行报告：硬件能耗、调用成本与家人的真实账单
九月的最后几天，秋意渐凉。我给书房边柜上的那台家庭私有小主机做了一次完整的全月体检。
从九月一日立项搭建家庭私有助理"小庭"至今，整整运行了三十天。作为一名习惯用数据说话的工程师，我没有停留在"感觉爸妈挺喜欢用"这种模糊的感性判断上，而是拉取了家庭网关、本地 Ollama 实例以及云端 API 网关的完整埋点日志。
这份沉甸甸的月末家庭实验报告，记录了一套 AI 系统在三代同堂的真实生活场景中跑出来的真实数据。
flowchart TD subgraph 家庭端设备采集 A1[全向麦克风阵列] --> B1[树莓派语音唤醒与降噪] A2[ESP32温湿度与光敏传感器] --> B1 end subgraph 本地轻量处理 B1 --> C1[Local Ollama: Qwen2.5-7B-Instruct 4bit] C1 -->|高频低延时意图/备忘| D1[家庭局域网响应 / Home Assistant] end subgraph 云端复杂路由 C1 -->|复杂医疗问答/长文本合成| E1[云端大模型 API Gateway] E1 --> F1[向量知识库检索 RAG] F1 --> G1[温和语音合成 TTS] end G1 --> H1[客厅木质音箱播报]全月运行核心指标全景
在过去的三直三十天里，整套系统保持 7x24 小时待机，累计记录有效交互 1,428 次，平均每天约 47.6 次。
| 指标维度 | 统计数值 | 工程师复盘备注 |
|---|---|---|
| 有效对话总次数 | 1,428 次 | 排除误唤醒（全月误唤醒 19 次，误唤醒率 1.3%） |
| 本地模型承接率 | 71.4% (1,020次) | 天气、用药提醒、定时器、控制家电全部走本地 |
| 云端 API 调用量 | 28.6% (408次) | 主要为复杂食谱建议、医疗说明书深度解读及长辈家常宽慰 |
| 云端 Token 总消耗 | 864,200 Tokens | 严格 Prompt 压缩后，单次问答输入输出平均仅 2.1k tokens |
| 总计云端 API 费用 | 14.68 元 | 远低于一杯星巴克咖啡的价钱 |
| 整机月度总电耗 | 8.9 度电 (kWh) | 待机功耗 8.5W，满载推算功耗 28W，电费约 4.9 元 |
算下来，支撑全家人一个月的 AI 智能服务，电费加上 API 成本总计不到 20 块钱。这种低成本、高可控的架构，正是私有化家庭 AI 能够长期落地的核心基石。
家人交互画像分布：谁在真正使用它？
如果只看宏观数据，很容易忽略系统在不同家庭成员身上的温度差异。九月日志分析显示：
- 老妈（占比 48.2%）：最高频的功能是"定时器"（炖汤、蒸馒头）和"蔬菜保鲜与食材搭配"。老妈已经彻底告别了手机闹钟，完全习惯了在厨房满手面粉时喊一句："小庭，排骨汤慢炖四十分钟叫我"。
- 老爸（占比 33.5%）：主要集中在早间天气与晨练指数播报、阳台花草病虫害口语查询。老爸最满意的特性是没有弹窗广告和烦人的推销。
- 我自己（占比 18.3%）：主要作为居家办公时的背景白噪音控制、专注时钟以及跨设备剪贴板备忘中转。
为了自动化统计全月的健康度与指标，我编写了一个轻量级指标归总分析服务：
from dataclasses import dataclass from typing import List, Dict import datetime @dataclass class DailyMetrics: date: datetime.date local_inferences: int cloud_api_calls: int tokens_consumed: int power_kwh: float false_wakeups: int class MonthlyReportAggregator: def __init__(self, metrics_list: List[DailyMetrics]): self.metrics = metrics_list def calculate_summary(self) -> Dict[str, float]: total_days = len(self.metrics) if total_days == 0: return {} total_local = sum(m.local_inferences for m in self.metrics) total_cloud = sum(m.cloud_api_calls for m in self.metrics) total_tokens = sum(m.tokens_consumed for m in self.metrics) total_power = sum(m.power_kwh for m in self.metrics) total_false_wake = sum(m.false_wakeups for m in self.metrics) total_interactions = total_local + total_cloud local_ratio = (total_local / total_interactions) * 100 if total_interactions else 0.0 return { "total_interactions": total_interactions, "local_inference_ratio_pct": round(local_ratio, 2), "total_tokens": total_tokens, "total_power_kwh": round(total_power, 2), "false_wakeup_rate_pct": round((total_false_wake / (total_interactions + total_false_wake)) * 100, 2) }九月踩过的三个技术坑与硬件反思
- 热量与风噪的平衡：小主机塞在木质电视柜内，中旬有一阵气温回升，风扇转速拉满发出了明显的低频嗡嗡声，引起了老妈的抱怨。后来我给散热风道加了 3D 打印导风罩，并将风扇温控曲线做了平滑处理，才解决了噪音问题。
- 麦克风物理增益失真：早期的拾音算法在抽油烟机开启时，长辈说话的声学信噪比急剧下降。后来引入了 WebRTC 降噪回声消除库，并针对抽油烟机频段做了前置带阻滤波。
- 断网容灾能力的考验：九月下旬某天下午宽带光纤施工中断了三小时。得益于本地 7B 模型和本地 SQLite 数据库，家里的吃药提醒和灯光联动完全没有受到影响，长辈甚至没有察觉到外部网络的断开。
结语：让技术静默在屋檐之下
做家庭 AI 实验室，最忌讳的是为了炫技把家变成数据中心机房。真正优秀的家庭工程，应该像水龙头里的清水和墙壁里的电线一样，平时察觉不到它的存在，但在需要时伸手即来。
九月的实验验证了这套架构的可行性。十月，我打算把老家院子里的太阳能蓄电系统接入小主机的供电调度，让这台家庭 AI 助理在绿意盎然的生活里继续安稳守候。
