用 AI + Home Assistant 养龟：从仪表盘到行为分析
背景
最近对养龟产生了兴趣，家里陆续来了 6 只：草龟、地图龟、西非侧颈龟、三只黄喉拟水龟。龟缸上装了 TP-Link 摄像头，群晖 NAS 跑着 Surveillance Station 24 小时录像，水温传感器和加热棒也配齐了。
东西都有，但用起来全是分散的。看温度一个 APP，看摄像头另一个，加热棒手动开关。录了几百 GB 的视频从来没人翻。
刚好最近一直在用 Claude Code 折腾家里的 Home Assistant，上周才用它逆向了空气净化器的 API。这次想试试，纯靠对话，能把养龟这件事做到什么程度。
现在是什么样的
打开手机 HA，龟缸的东西全在一个页面里：
摄像头画面、乌龟活动状态、加热棒功率和用电量、水温湿度趋势。温度异常会 Telegram 推送。
每半小时还会收到一段精华视频和一段 AI 写的行为分析：
整个过程我没写一行代码。仪表盘、自动化、监控脚本、视频处理、AI 分析，都是和 Claude Code 聊出来的。
HA 仪表盘和自动化
跟 Claude Code 说的第一句话大概是「把乌龟摄像头加到 HA 仪表盘上」。
然后就是不停地提需求：
「加热棒的功率和用电量也显示出来」
「水温做个仪表盘，标出适宜温度区间」
「加个 24 小时和 7 天的水温趋势图」
「温度太低或太高给我发 Telegram」
它每次直接改 HA 的配置文件和仪表盘数据，改完重启，我刷新手机看效果。不满意继续说，满意就下一个。跟一个懂 HA 的人聊天没什么区别，我不用管 YAML 怎么写、automation 怎么配。
 |  |
|---|---|
| 加热棒 7 天功率、水温湿度仪表盘 | 24 小时水温湿度趋势，带温区标注 |
水温趋势图标了过冷/偏冷/适宜/偏热/过热的区间。加热棒功率曲线能看出工作规律，比如图上 4 月 7 号之前加热棒是关着的，之后才开始工作。
自动化跑了温度过高和过低两条告警。温度异常 Telegram 几分钟就能收到。
AI 活动监测
仪表盘能看数据了，但龟在干嘛，水温曲线看不出来。
我问 Claude Code 能不能做个活动监测。它的方案：每 5 分钟从 SS 录像里抽帧对比，检测画面变化判断龟有没有在动。处理放在家里闲置的 Mac 16”（M1 Max 64GB）上，NAS 只管存录像。
抓帧对比
录像在 NAS，Mac 通过 SSH 读取。一开始传整个 100MB 的 mp4，12 秒。后来只传文件头 5MB（mp4 的 moov atom 在文件头，够解码出帧），降到 2 秒。
NAS 录像 → ssh head -c 5MB → OpenCV 读帧 → 灰度+高斯模糊 → 像素差值变化超 2% 就算”活跃”，结果推到 HA sensor。
精华视频
「有活动时直接发视频给我」
Claude Code 做了每 30 分钟的精华视频。检测到活跃的时间点，从对应录像截取片段拼在一起。
一个细节：一开始用 OpenCV 逐帧重编码，25 秒出一个片段，画质还糊。后来装了 ffmpeg 用 -c:v copy 直接裁切，2 秒搞定，1080p 原始画质。工具选对了差十倍。
本地大模型看龟
精华视频解决了”看什么”。但我还想知道每只龟在干嘛。
我问有什么办法识别不同的乌龟。Claude Code 列了几种：OpenCV 颜色轮廓检测、YOLO、深度学习个体识别、Vision LLM。6 只龟品种差异大，草龟最小深色、地图龟最大有花纹、西非侧颈脖子侧扁、小青体型差不多，直接用视觉大模型就行，不用训练。
试了 Gemini API 配额不够。我说能不能跑本地的。最后用 Ollama 跑 Gemma 4（8B Q4 量化），M1 Max 64GB 没什么压力。
分析分两步。先逐帧：从 30 分钟录像均匀抽 30 帧，每帧单独让 Gemma 描述看到了什么。再汇总：30 条描述拼一起，让 Gemma 总结这半小时。
prompt 改了好几轮。一开始让它「分析哪只最活跃哪只最安静」，输出很八股。我说不关心这个，改成「像朋友聊天一样说说」，输出就对味了。
摄像头视角。右上角是晒背台，中间红蘑菇是装饰。能看到龟在晒背台上叠罗汉，它们特别爱干这个。
架构
┌──────────────────────────────────────┐
│ NAS (群晖 DS923+) │
│ Surveillance Station → 30min MP4 │
│ HA VM → 仪表盘 / 自动化 / 告警 │
│ 水温传感器 · 加热棒 · 摄像头 ONVIF │
└──────────────┬───────────────────────┘
│ ssh pipe + HA API
┌──────────────▼───────────────────────┐
│ Mac 16" (M1 Max 64GB) │
│ │
│ monitor.py 每5分钟 │
│ └─ 抓帧对比 → 活跃/静止 → HA │
│ highlights.py 每30分钟 │
│ ├─ ffmpeg 截取精华视频 → Telegram │
│ ├─ 30帧 → Gemma 4 逐帧分析 │
│ └─ 综合汇总 → Telegram │
│ daily_report 每天22:00 日报 │
│ │
│ Ollama + Gemma 4 (8B) 本地推理 │
└──────────────────────────────────────┘HA 管数据采集、展示、告警。Mac 管视频处理和 AI 推理。两边通过 HA REST API 连起来。launchd 定时跑，开机自启。
关于没写代码
系统里有 Python 脚本（OpenCV 图像对比、ffmpeg 调用、Ollama API、Telegram 通知）、HA 的 YAML 配置（sensor、automation、lovelace dashboard）、launchd 定时任务，代码量不算少。
但我确实一行都没手写。
每一步都是对话完成的。我说「把摄像头加到仪表盘」，它改 lovelace JSON。说「温度告警发 Telegram」，它写 automation YAML。说「用本地模型分析龟缸画面」，它装 Ollama、拉模型、写脚本、配定时任务。
我干的事更像是产品经理：说需求、看效果、给反馈。
不是说技术不重要了。这套系统里有不少技术判断，比如只传 mp4 头部 5MB 而不是整个文件、用 ffmpeg stream copy 而不是重编码、逐帧分析再汇总而不是多图一起扔给模型。只是这些判断现在 AI 也能做。
成本
零。硬件家里都有，软件全开源，AI 推理跑本地。Mac 每月多费大概 3 块钱电。
养龟是个慢节奏的事。但每天翻翻 Telegram 的报告，看看谁又霸占了晒背台、谁偷偷换了个位置，比蹲在缸前看半天有意思多了。