家里的网络摄像头能录下画面，但真正想知道「刚才发生了什么」，还得自己一帧一帧翻看。常见的智能摄像头只认得出「人、车、宠物」这几类目标，遇到包裹、动作、异常行为就抓瞎。

开源社区给出了一套进阶方案：LLM Vision。这是一款免费开源的 Home Assistant 集成组件，可以调用大模型直接「看懂」监控画面，并用自然语言描述画面里正在发生什么。它不取代 Frigate 这类物体识别系统，而是建立在其之上 —— 当 Frigate 告诉你「门口检测到一个人」时，LLM Vision 还能补一句「快递员手里拿着包裹，把包裹放在了花盆后面」。

关键能力：自定义提问

LLM Vision 的一大特点是不依赖预设提示词。每次向它传入一张图片或一段视频时，都可以同时送入一段自定义提问，从而针对性地获取想要的上下文。

典型场景包括：门口检测到人 + 包裹时，询问「快递员是把包裹放下了，还是带走了？放在哪里了？」，并据此推送通知：「快递员将包裹放在了前门花盆后面」。这种基于上下文的判断，是普通物体识别做不到的。

更复杂的自动化可以因此成立。比如门铃摄像头检测到有人来，可以要求大模型判断对方是否「拿着传单又离开了」，如果是传单派送，则无需推送通知。再比如垃圾回收日前一晚，可以要求模型检查「垃圾桶是否已摆到门口？是蓝色回收桶还是黑色垃圾桶？」，由此判定是否需要提醒用户补摆或换桶。

接入路径与隐私权衡

LLM Vision 本身不做 AI 推理，调用方需要将画面发送给所选 AI 服务。它兼容 OpenAI、Anthropic、Google、OpenRouter、Groq 等多种供应商，其中 Groq 提供一定额度的免费调用。

云端调用意味着家中内外的监控画面会被上传到第三方服务器，隐私敏感的用户难以接受。对此，LLM Vision 也支持本地大模型方案：可以接入 Ollama、Open WebUI 或 LocalAI 等本地推理平台，所有画面分析都在自有硬件上完成，不出家门。

本地方案的效果取决于所选模型与硬件配置。低配设备也不必担心，Glimpse-v1 是新发布的轻量级开源视觉语言模型，参数量 40 亿，可在 Ollama 中以低显存运行，专为受限硬件优化。

落地位置与设备要求

LLM Vision 可处理静态图像、视频片段、实时摄像头流，以及 Frigate 事件。需要的环境是已经部署好的 Home Assistant 智能家居平台，并配合 Frigate 等负责视频存储与物体识别的组件。它还提供了「时间线卡片」（Timeline Card），可用于仪表盘展示最近被模型识别并记住的事件，比如「上次看到家里的猫是几点」「包裹是几点送到门口的」。

来源：How-To Geek