🤖 AI Агенты n8n для Home Assistant¶
Создание автономных AI агентов на локальных LLM (бесплатно, работает в РФ).
🚀 Быстрый старт:
- 🤵 Пошаговое развертывание - установка за 20 минут
- 📚 Подключение n8n - общая информация
🎯 Зачем n8n если есть NodeRED и HA?¶
Ваша текущая инфраструктура¶
Что уже работает:
- ✅ Home Assistant - управление устройствами, базовые автоматизации
- ✅ NodeRED - сложные flow и логика
- ✅ HA Addons - бэкапы, Telegram, Samba
- ✅ MCP (Cursor) - AI помощь в разработке
- ✅ Frigate/DeepStack - Computer Vision для камер
Что НЕ УМЕЮТ HA/NodeRED/Frigate:
- ❌ Обработка естественного языка (NLP)
- ❌ RAG (поиск по вашим конфигурациям)
- ❌ Автономные AI агенты с памятью
- ❌ Генерация кода из описаний на русском
- ❌ AI консультант по оптимизации
- ❌ Предиктивная аналитика с LLM
🤖 n8n = платформа для AI агентов¶
Ключевое преимущество:
Пример:
NodeRED:
IF температура < 18 THEN включить отопление
n8n AI Agent:
"Дома холодно" → AI понимает контекст:
- Проверяет текущую температуру всех 15 зон
- Анализирует погоду
- Учитывает время суток
- Предлагает оптимальное решение
- Объясняет WHY
🏗️ Архитектура с локальными LLM (бесплатно + РФ)¶
Ваша инфраструктура¶
┌──────────────────────────────────────────────────────────────────┐
│ Proxmox Server (локально) │
├──────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────┐ ┌──────────────────┐ │
│ │ Home Assistant │◄───────►│ n8n │ │
│ │ VM/Container │ │ (Container) │ │
│ │ 192.168.1.20 │ │ 192.168.1.50 │ │
│ └─────────────────┘ └──────────────────┘ │
│ ↑ ↑ │
│ │ │ │
│ │ ┌───────┴────────┐ │
│ │ │ │ │
│ │ ┌─────▼─────┐ ┌──────▼──────┐ │
│ │ │ Ollama │ │ LM Studio │ │
│ │ │ (LLM API) │ │ (optional) │ │
│ │ │ :11434 │ │ :1234 │ │
│ │ └───────────┘ └─────────────┘ │
│ │ ↑ │
│ │ ┌─────┴──────┐ │
│ │ │ Модели: │ │
│ │ │ - Llama 3 │ │
│ │ │ - Mistral │ │
│ │ │ - LLaVA │ ← Vision! │
│ │ │ - DeepSeek│ │
│ │ └────────────┘ │
│ ↓ │
│ ┌─────────────────┐ │
│ │ Cursor (WSL) │ │
│ │ + mcp-proxy │ │
│ └─────────────────┘ │
│ │
└──────────────────────────────────────────────────────────────────┘
Преимущества:
- ✅ Бесплатно - никаких API ключей
- ✅ Работает в РФ - без VPN
- ✅ Приватность - данные не уходят из дома
- ✅ Быстро - локальная сеть
- ✅ Не лимитировано - сколько угодно запросов
⚙️ Установка Ollama на Proxmox (15 минут)¶
Вариант 1: Docker в n8n контейнере¶
Если n8n уже в Docker:
# docker-compose.yml для n8n + Ollama
version: '3.8'
services:
n8n:
image: n8nio/n8n:latest
ports:
- "5678:5678"
environment:
- N8N_HOST=192.168.1.50
networks:
- ai-network
ollama:
image: ollama/ollama:latest
ports:
- "11434:11434"
volumes:
- ollama_data:/root/.ollama
networks:
- ai-network
networks:
ai-network:
volumes:
ollama_data:
Вариант 2: LXC контейнер на Proxmox¶
# На Proxmox создать LXC Ubuntu
pct create 201 local:vztmpl/ubuntu-22.04-standard_22.04-1_amd64.tar.zst \
--hostname ollama \
--cores 4 \
--memory 8192 \
--net0 name=eth0,bridge=vmbr0,ip=192.168.1.51/24,gw=192.168.1.1
# Запустить
pct start 201
# Войти
pct enter 201
# Установить Ollama
curl -fsSL https://ollama.com/install.sh | sh
# Скачать модели
ollama pull llama3 # Общий ассистент (4.7GB)
ollama pull llava # Vision модель (4.7GB)
ollama pull mistral # Быстрая модель (4.1GB)
ollama pull deepseek-coder # Генерация кода (6.7GB)
Проверка¶
🤖 AI Агент #1: Умный ассистент умного дома¶
Что делает¶
Telegram бот с пониманием контекста:
👤: "Дома холодно"
🤖 AI Agent (Llama 3):
1. Получает состояние всех 15 зон из HA
2. Проверяет температуру на улице
3. Анализирует историю
4. Принимает решение
5. Выполняет через HA API
6. Объясняет что сделал
🤖: "Сейчас в доме средняя температура 19.2°C (норма 21°C).
На улице -5°C, поэтому увеличиваю целевую до 22°C
в основных зонах (гостиная, кухня, спальня).
Время прогрева: ~25 минут.
Дополнительная стоимость: ~15 руб.
✅ Температуры обновлены."
n8n Workflow¶
Ноды:
-
Telegram Trigger - сообщения от пользователя
-
AI Agent (Advanced AI node)
- LLM: Ollama
- Model: llama3
- Base URL:
http://192.168.1.51:11434 - System Prompt:
Ты ассистент умного дома на Home Assistant.
Твой дом:
- 15 зон отопления с индивидуальным управлением
- 5 камер безопасности
- Метеостанция
- 150+ умных устройств
Доступные функции (tools):
- get_zone_temperature(zone_name) - текущая температура зоны
- set_zone_temperature(zone_name, temperature) - установить температуру
- get_outdoor_temperature() - температура на улице
- get_all_zones_status() - статус всех зон
- calculate_heating_cost(temp_change) - расчет стоимости
Всегда:
1. Сначала получи текущее состояние
2. Объясни свой анализ
3. Покажи расчеты (стоимость, время)
4. Спроси подтверждения для больших изменений
5. После действия - подтверди результат
Отвечай на русском языке, кратко и по делу.
- Tools (Functions):
[
{
"name": "get_all_zones_status",
"description": "Получить статус всех 15 зон отопления",
"parameters": {
"type": "object",
"properties": {}
}
},
{
"name": "set_zone_temperature",
"description": "Установить температуру в зоне",
"parameters": {
"type": "object",
"properties": {
"zone_name": {
"type": "string",
"description": "Название зоны (living_room, bedroom, etc)"
},
"temperature": {
"type": "number",
"description": "Целевая температура (16-26°C)"
}
},
"required": ["zone_name", "temperature"]
}
}
]
- Code - Tool executor (вызовы функций AI)
const toolCall = $json.tool_calls?.[0];
if (!toolCall) {
return $input.item.json; // No tool call
}
const toolName = toolCall.function.name;
const args = JSON.parse(toolCall.function.arguments);
// Выполняем функцию
if (toolName === 'get_all_zones_status') {
// Получить из HA все climate entities
return {
json: {
tool_result: {
zones: [
{ name: 'living_room', current: 21, target: 22 },
{ name: 'bedroom', current: 19, target: 20 },
// ... все 15 зон
]
}
}
};
} else if (toolName === 'set_zone_temperature') {
// Вызвать HA API
return {
json: {
tool_result: {
success: true,
message: `Установлено ${args.temperature}°C для ${args.zone_name}`
}
}
};
}
-
Loop back to AI - агент принимает решение
-
Telegram - финальный ответ
🤖 AI Агент #2: Дополнительный анализ к Frigate¶
Что делает¶
Расширяет возможности Frigate/DeepStack:
Frigate уже детектит объекты (person, car, cat), но n8n AI может:
- 📝 Описать сцену: "Человек с зонтом подходит к двери"
- 🎯 Контекст: "Это ваш сосед Иван (распознавание лиц)"
- 🧠 Решения: "Редкое событие ночью = важно!"
- 📊 История: "Этот человек уже был вчера в 18:00"
Frigate: Person detected ✅
↓
n8n AI (LLaVA):
1. Получить snapshot
2. Дополнительный анализ:
"Мужчина в темной одежде с сумкой, стоит у двери"
3. Проверка в истории (RAG)
4. Решение: знакомый или нет?
n8n Workflow¶
Ноды:
-
Webhook от Frigate - person detected + snapshot URL
-
HTTP Request - получить изображение
{
"method": "GET",
"url": "http://192.168.1.20:8123{{ $json.snapshot_path }}",
"headers": {
"Authorization": "Bearer YOUR_HA_TOKEN"
},
"responseType": "arraybuffer"
}
- Ollama Vision (LLaVA модель)
{
"model": "llava",
"prompt": "На изображении обнаружен человек (Frigate detection). Опиши детально: одежда, поза, что делает, есть ли что-то необычное? Это знакомый человек (сосед, курьер) или незнакомец? Время: {{ $json.time }}. Камера: {{ $json.camera_name }}.",
"images": ["{{ $binary.data }}"]
}
- Vector Search - поиск в истории (опционально)
- Проверить: был ли этот человек раньше?
- Если да: "знакомый" (сосед, курьер)
-
Если нет: "незнакомец" (приоритет выше!)
-
Code - Анализ ответа AI + история
const aiResponse = $json.response.toLowerCase();
const hour = new Date().getHours();
const isNight = hour < 6 || hour > 22;
const isKnown = $json.vector_search?.similarity > 0.8; // Был раньше
let priority = 'low';
let action = 'log_and_notify';
// Frigate уже подтвердил "person", AI добавляет контекст
if (isNight) {
// Ночью любой человек = важно
priority = isKnown ? 'medium' : 'critical';
action = isKnown ? 'notify' : 'alert_security';
} else {
// Днем: знакомый = низкий, незнакомец = средний
priority = isKnown ? 'low' : 'medium';
action = 'log_and_notify';
}
// AI обнаружил что-то подозрительное в поведении
if (aiResponse.includes('заглядыва') || aiResponse.includes('пряч') ||
aiResponse.includes('подозрител')) {
priority = 'high';
action = 'alert_with_context';
}
return {
json: {
ai_description: aiResponse,
is_known_person: isKnown,
priority,
action,
timestamp: new Date().toISOString()
}
};
- Switch - действия по приоритету
Critical (незнакомец ночью): - Telegram: "🚨 НЕЗНАКОМЫЙ человек на камере! (ночь)" - HA: включить alarm - Запись видео - AI описание: "Мужчина в темной одежде..."
High (подозрительное поведение): - Telegram: уведомление с AI анализом - Запись видео - Лог в базу
Medium (знакомый ночью или незнакомец днем): - Telegram: контекстное уведомление - Лог
Low (знакомый днем): - Только лог
Результат:
- Frigate детектит объекты ✅
- AI добавляет контекст и умные решения ✅
- 0 пропущенных важных событий ✅
- Минимум ложных тревог ✅
🧠 AI Агент #3: RAG по вашей конфигурации¶
Что делает¶
AI знает ВСЮ вашу конфигурацию HA:
👤: "Почему не включается свет в коридоре вечером?"
🤖 AI RAG:
1. Ищет в векторной базе "свет" + "коридор"
2. Находит automation.corridor_light
3. Анализирует условия
4. Проверяет текущее состояние
5. Объясняет проблему
🤖: "Проверил automation.corridor_light:
Триггер: binary_sensor.corridor_motion ✅ (работает)
Условие 1: time after 18:00 ✅ (сейчас 19:30)
Условие 2: sun.state == 'below_horizon' ❌ (ПРОБЛЕМА!)
Сейчас sun.state = 'above_horizon' (светло).
Автоматизация не срабатывает т.к. еще день.
Решения:
1. Убрать условие sun.state
2. Добавить sensor.illuminance < 100 (если есть lux sensor)
3. Изменить время на after: '20:00:00'
Какой вариант применить?"
n8n Workflow (Setup - один раз)¶
Создание векторной базы:
-
Manual Trigger (запустить вручную)
-
Home Assistant - экспорт конфигураций
- Get все automations
- Get все scripts
-
Get все sensors
-
Code - парсинг и подготовка
// Преобразуем конфигурации в текст для embeddings
const automations = $json.automations.map(auto => {
return {
type: 'automation',
id: auto.id,
alias: auto.alias,
text: `Автоматизация: ${auto.alias}
ID: ${auto.id}
Триггер: ${JSON.stringify(auto.trigger)}
Условия: ${JSON.stringify(auto.condition)}
Действия: ${JSON.stringify(auto.action)}`,
metadata: auto
};
});
return automations;
- Embeddings (n8n AI node)
- Model: Ollama embeddings
-
Model name:
nomic-embed-text(локальная!) -
Vector Store - Qdrant / Weaviate / простой JSON
- Сохранение embeddings
n8n Workflow (Query - постоянно)¶
Ответы на вопросы:
-
Telegram Trigger - вопрос пользователя
-
Embeddings - векторизация вопроса
-
Vector Search - поиск похожих конфигураций
-
AI Agent (Ollama Llama 3)
- System prompt: "Ты эксперт по Home Assistant. Анализируй конфигурацию и отвечай на вопросы."
- Context: найденные конфигурации (RAG!)
-
Question: вопрос пользователя
-
Telegram - ответ с кодом и рекомендациями
Use cases:
- "Какие автоматизации используют sensor.outdoor_temp?"
- "Почему не работает X?"
- "Как добавить новый датчик?"
- "Оптимизируй мою конфигурацию отопления"
🎨 AI Агент #4: Генератор NodeRED flows¶
Что делает¶
Описание на русском → готовый NodeRED flow:
👤: "Хочу автоматизацию: если влажность в ванной > 70%, включить вытяжку на 30 минут"
🤖 AI Agent:
1. Понимает intent
2. Проверяет доступные entity_id (у вас есть sensor.bathroom_humidity?)
3. Генерирует NodeRED flow JSON
4. Валидирует синтаксис
5. Предлагает импорт
🤖: "Создан flow для NodeRED:
[JSON код flow]
Требуется:
✅ sensor.bathroom_humidity (у вас есть)
⚠️ switch.bathroom_fan (не найден!)
Создать switch.bathroom_fan? [Да/Нет]
Если да, импортировать flow? [Импорт] [Редактировать] [Отмена]"
n8n Workflow¶
-
Telegram - описание автоматизации
-
AI Agent (DeepSeek-Coder)
- Специализированная модель для кода
- System prompt: генерация NodeRED flows
-
Tools: проверка entity_id в HA
-
Home Assistant - валидация entities
-
Code - генерация NodeRED JSON
// DeepSeek-Coder генерирует структуру
const flow = {
id: generateId(),
type: "tab",
label: "AI Generated: Bathroom Fan",
nodes: [
{
id: generateId(),
type: "server-state-changed",
name: "Humidity > 70%",
server: "home-assistant",
entityid: "sensor.bathroom_humidity",
property: "state",
comparator: "gt",
value: "70"
},
{
id: generateId(),
type: "api-call-service",
name: "Turn on fan",
server: "home-assistant",
service_domain: "switch",
service: "turn_on",
data: { entity_id: "switch.bathroom_fan" }
},
{
id: generateId(),
type: "delay",
name: "Wait 30 min",
pauseType: "delay",
timeout: "30",
timeoutUnits: "minutes"
},
{
id: generateId(),
type: "api-call-service",
name: "Turn off fan",
server: "home-assistant",
service_domain: "switch",
service: "turn_off",
data: { entity_id: "switch.bathroom_fan" }
}
]
};
return { json: { flow } };
- Telegram - preview + кнопки импорта
📊 AI Агент #5: Предиктивная аналитика¶
Что делает¶
AI анализирует 3 месяца данных и дает инсайты:
🤖 AI Анализ (еженедельный):
📊 Обнаружил паттерны:
1. Отопление vs Погода
• Корреляция: 0.87 (очень сильная)
• При -10°C потребление = 4.2 кВт постоянно
• При +10°C потребление = 0.8 кВт
💡 Рекомендация:
Текущая кривая: target = 25 - (outdoor * 0.5)
Оптимальная: target = 24 - (outdoor * 0.6)
Экономия: ~180 руб/месяц
2. Ложные срабатывания камеры "Въезд"
• Паттерн: каждый день 14:00-15:00
• Причина: солнце светит прямо в камеру
• Частота: 15-20 раз/час
💡 Рекомендация:
Отключить детекцию движения 14:00-15:00
Или повернуть камеру на 15° влево
3. Аномалия: Энергопотребление по средам
• Каждую среду +35% потребления
• Время: 10:00-14:00
• Вероятная причина: стирка + уборка + готовка
💡 Рекомендация:
Перенести стирку на ночной тариф (22:00-06:00)
Экономия: ~200 руб/месяц
n8n Workflow¶
-
Cron - раз в неделю (воскресенье 20:00)
-
Home Assistant - история за 90 дней
- Все climate entities
- Все power sensors
-
Все camera events
-
Code - подготовка данных для AI
// Агрегация данных
const data = {
heating_history: groupByDay($json.climate_data),
power_history: groupByDay($json.power_data),
camera_events: groupByHour($json.camera_data),
outdoor_temp: $json.weather_data
};
// Расчет корреляций
const correlation = calculateCorrelation(
data.outdoor_temp,
data.heating_history
);
return { json: { data, correlation } };
- AI Agent (Llama 3 или DeepSeek)
- System prompt:
Ты data scientist анализирующий умный дом.
Проанализируй данные за 90 дней:
- Отопление (15 зон)
- Энергопотребление
- События камер
- Погода
Найди:
1. Корреляции и паттерны
2. Аномалии и неэффективность
3. Возможности оптимизации
Дай конкретные рекомендации с расчетом экономии в рублях.
-
Google Sheets - сохранение insights
-
Telegram - отчет с рекомендациями
Ценность: Находит неочевидные паттерны и экономит деньги!
🔍 AI Агент #6: Отладчик конфигураций¶
Что делает¶
AI помогает найти баги в автоматизациях:
👤: "automation.heating_night не срабатывает"
🤖 AI Debugger:
1. Получает код автоматизации из HA
2. Анализирует логику
3. Проверяет текущие состояния всех entities
4. Симулирует выполнение
5. Находит проблему
🤖: "Проанализировал automation.heating_night:
trigger:
- platform: time
at: '22:00:00'
condition:
- condition: state
entity_id: person.home ← ПРОБЛЕМА!
state: 'home'
🔴 НАЙДЕНО:
Сейчас person.home = 'not_home'
Автоматизация не сработает если вас нет дома в 22:00
❓ ВОПРОС:
Это намеренно? (не греть когда никого нет)
Или нужно убрать условие person.home?
Также обнаружено:
⚠️ Нет fallback если триггер пропущен
Рекомендую добавить второй триггер на изменение person.home → home"
n8n Workflow¶
-
Telegram - название автоматизации или описание проблемы
-
Home Assistant - получить конфигурацию
- Get automation YAML
- Get текущие состояния всех entity_id
-
Get execution history (если есть)
-
AI Agent (DeepSeek-Coder)
- Специалист по HA YAML
- Анализирует логику
- Находит проблемы
-
Предлагает решения
-
Telegram - детальный анализ + fix
🎯 AI Агент #7: Оптимизатор 15 зон отопления¶
Что делает¶
AI учится на ваших данных и оптимизирует:
AI собирает 30 дней данных:
• Температура каждой зоны (по часам)
• Outdoor temperature
• Стоимость отопления
• Комфорт (когда жарко/холодно по отзывам)
AI анализирует:
• Какие зоны переотапливаются
• Какие недотапливаются
• Оптимальные температуры для экономии
• Можно ли отключать зоны по расписанию
AI предлагает:
• Новые целевые температуры
• Расписание по зонам
• Прогноз экономии
n8n Workflow¶
-
Cron - раз в месяц
-
Home Assistant - история 30 дней
- Все climate entities (15 зон)
- Outdoor temperature
- Power consumption
-
(опционально) комментарии пользователя "жарко/холодно"
-
Code - агрегация данных
const zones = [
'living_room', 'bedroom', 'kitchen', 'bathroom',
// ... все 15 зон
];
const analysis = zones.map(zone => {
const history = getZoneHistory(zone, 30); // 30 дней
return {
zone,
avg_temp: calculateAverage(history.temperatures),
avg_target: calculateAverage(history.targets),
time_above_target: calculatePercentage(history.above_target),
time_below_target: calculatePercentage(history.below_target),
estimated_cost: calculateCost(history.runtime, zone_size)
};
});
return { json: { zones: analysis } };
- AI Agent (Llama 3 или Mistral)
- System prompt:
Ты инженер-теплотехник с AI.
Проанализируй данные отопления за 30 дней (15 зон).
Для каждой зоны оцени:
1. Эффективность (не перегрев/недогрев?)
2. Стоимость (руб/месяц на зону)
3. Оптимизация (можно ли сэкономить?)
Дай конкретные рекомендации:
- Новые целевые температуры
- Расписания (когда можно снижать)
- Приоритет зон
- Прогноз экономии в рублях
Тариф: 5 руб/кВт*ч
- Telegram - отчет + кнопки
🤖 AI Анализ отопления (30 дней)
💰 Текущая стоимость: 4500 руб/месяц
🔴 Переотапливаемые зоны:
1. Гостевая комната: 22°C (никого нет 90% времени)
Рекомендация: снизить до 18°C
Экономия: ~350 руб/месяц
2. Кухня: 21°C (днем жарко от готовки)
Рекомендация: 19°C днем, 21°C вечером
Экономия: ~180 руб/месяц
🟡 Оптимизация расписания:
Ночь (00:00-06:00): снизить на 2°C везде
Экономия: ~400 руб/месяц
✅ ИТОГО потенциал: ~930 руб/месяц (20%)
[📊 Детали] [✅ Применить всё] [✏️ Редактировать]
- Home Assistant - применение рекомендаций (с подтверждением!)
💡 Рекомендуемые AI модели для Ollama¶
Для вашего умного дома¶
1. Llama 3 (8B) - основной ассистент - Размер: 4.7 GB - RAM: 8 GB - Скорость: ~20 tokens/sec - Для: общие вопросы, анализ, рекомендации
2. LLaVA - анализ камер - Размер: 4.7 GB - RAM: 8 GB - Для: распознавание на изображениях
3. DeepSeek-Coder (6.7B) - генерация кода - Размер: 3.8 GB - RAM: 8 GB - Для: генерация YAML, NodeRED flows
4. Nomic Embed Text - embeddings для RAG - Размер: 274 MB - RAM: 1 GB - Для: векторная база конфигураций
Итого: ~14 GB места, 8-16 GB RAM
Требования к Proxmox VM¶
Минимум для Ollama: - CPU: 4 cores - RAM: 16 GB (для параллельной работы моделей) - Disk: 30 GB - GPU: опционально (ускорение в 5-10x)
Можно на том же сервере что n8n:
# Увеличить RAM контейнера n8n
pct set <n8n_container_id> -memory 16384
# Или создать отдельный LXC для Ollama
🚀 План внедрения (3 недели)¶
Неделя 1: Установка и тестирование¶
День 1-2: Ollama - ✅ Установить Ollama на Proxmox - ✅ Скачать 4 модели - ✅ Протестировать через curl
День 3: n8n + Ollama - ✅ Настроить credential Ollama в n8n - ✅ Тестовый workflow (простой вопрос-ответ)
День 4-5: Первый AI агент - ✅ AI Ассистент умного дома (Сценарий #1) - ✅ Интеграция с Telegram - ✅ Тестирование на реальных вопросах
Неделя 2: AI Vision и RAG¶
День 1-3: Vision для камер - ✅ LLaVA модель - ✅ Workflow анализа движения - ✅ Интеграция с HA
День 4-5: RAG система - ✅ Экспорт всех конфигураций - ✅ Создание векторной базы - ✅ Тестирование вопросов
Неделя 3: Оптимизация и автоматизация¶
День 1-2: AI оптимизатор отопления - ✅ Сбор данных 30 дней - ✅ AI анализ - ✅ Применение рекомендаций
День 3-4: AI генератор - ✅ DeepSeek-Coder setup - ✅ Генерация NodeRED flows - ✅ Автоматический импорт
День 5: Мониторинг - ✅ Dashboard n8n workflows - ✅ Статистика по AI использованию - ✅ Оптимизация промптов
🎯 ТОП-3 AI агента для ВАШЕГО дома¶
1. 🌡️ AI Оптимизатор отопления (Агент #7)¶
Зачем: - 15 зон - сложная система - AI найдет неочевидные паттерны - Реальная экономия 15-25%
Окупаемость: Первый месяц!
2. 🧠 AI RAG ассистент (Агент #3)¶
Зачем: - 150+ устройств, сложная конфигурация - Забываете где что настроено - AI мгновенно найдет и объяснит - Отладка автоматизаций за секунды
Экономия времени: Часы → минуты!
3. 🎨 AI Генератор NodeRED flows (Агент #4)¶
Зачем: - Описание на русском → готовый flow - Валидация entity_id - Автоматический импорт - Не нужно помнить синтаксис NodeRED
Ускорение разработки: 10x!
📝 Конфигурация для вашего проекта¶
Добавьте в config.yml:
# n8n + AI Integration
n8n:
enabled: true
# n8n на Proxmox
url: "http://192.168.1.50:5678"
api_key: "" # Получите в n8n
# Ollama (локальный LLM)
ollama:
enabled: true
url: "http://192.168.1.51:11434" # Или тот же хост что n8n
models:
assistant: "llama3" # Основной ассистент
vision: "llava" # Анализ камер
coder: "deepseek-coder" # Генерация кода
embeddings: "nomic-embed-text" # RAG
💰 Стоимость (бесплатно!)¶
Сравнение:
OpenAI GPT-4 (облачный, проблемы в РФ):
• 300 запросов/месяц = ~$15-20
• Нужен VPN
• Данные уходят в облако
Ollama локально (ваш вариант):
• Неограниченно запросов = $0
• Работает в РФ без VPN
• Данные остаются дома
• Единоразово: ~$0 (уже есть Proxmox)
ROI: Бесконечность! 🚀
📚 Полезные ссылки¶
Начните с AI ассистента (#1), затем добавьте Vision (#2) и RAG (#3)!