凌晨一点，机柜风扇照常嗡嗡转，只是家里多了句新台词：“跑一遍巡检，结果发我邮箱。”
这不再是演示视频里的桥段。7月UP主小天fotos把语音+多Agent编排系统 homerail 开源。这条B站视频播放冲到5.8万，收藏2909、几乎翻倍于点赞1760——收藏比点赞多，是想抄作业的明确信号。评论区已经有人"花两个多小时复刻成功，跑起来了"，还有人把部署任务直接扔给AI管家，让它自己装进NAS。哔哩哔哩
紧接着，主打长期记忆与全本地自持、自称26万星的 hermes-agent，和号称零显卡纯CPU跑大模型的 llama-modchip 接连刷屏。HomeLab圈的共识正在变成一件事：自家机房里可以养一个真干活的AI管家了。哔哩哔哩哔哩哔哩
不过动手之前，三个门槛建议先看清。
门槛一：硬件没想象中高，也没想象中低。 编排层本身不吃显卡，一台常开的小主机或NAS就够；吃资源的是本地大模型。llama-modchip 作者在无显卡的16核CPU+64G内存机器上自测生成速度约9.1~14.7 token/s。这是作者自测数据，仅供参考；这个速度撑不起流畅语音对话，但跑周报、摘要这类"挂机活"够用。哔哩哔哩
门槛二：它能干活，但改作业的还是你。 热度评论里被顶到很高的一句大实话是：现在判断AI产出要花很多时间。多Agent分工不是即插即用，更像带一批实习生：子Agent的身份设定、约束条件、输出示例，每一项都得写清楚。有抄作业成功的玩家，靠的就是在提示词工程上逐条加固。哔哩哔哩
门槛三：自建图的不是省钱。 小红书"家庭AI实验室"帖下最高赞泼冷水：同样的钱用云计算能用5年。电费、噪音、硬件贬值三笔账加起来，自建大概率不划算。它换来的是数据不出家门、玩法不被平台限制——商业AI管家"真看你"让人犯嘀咕的地方，这是目前唯一能解耦的方案，用玩家自己的话说，像养孩子，有股无限制感。小红书
所以如果你也想试试：编排层直接上NAS，模型先用API，本地模型留给挂机任务——先让管家干活，再慢慢拔云的插头。 这波热潮是真的可复制事件，门槛也是真的存在，看清了再抄作业，不亏。
