家庭AI编辑组一个模型什么都管，通常意味着什么都管不好。让同一套逻辑既算电价、又判断有没有人摔倒、又要盯着冰箱压缩机的振动频率，结果往往是每一项都做得不够专注，出了问题也很难说清楚到底是哪部分逻辑错了。百家乐的做法是反过来：不追求一个无所不能的大脑，而是让能源、安全、设备维护、环境这些专业判断分别由独立的Agent负责，再由一个总控角色去做最终的取舍——这也是为什么答案不是"一个家庭需要一个AI"，而是"一个家庭需要一组各司其职的AI"。
为什么不是把模型做得更大就能解决问题
把所有判断塞进一个模型，表面上省事，实际会遇到几个绕不开的麻烦。首先是目标冲突：省电和舒适本身就是两个方向相反的优化目标，一个模型内部很难清晰地表达"这两个目标现在谁该让步"，容易变成一锅炖。其次是可维护性：如果只是想优化安防判断的准确率，却因为共用一套模型而牵动了能源调度的表现，团队会陷入"改一处、担心处处受影响"的困境。再者是责任边界：出现误判时，一个大一统的黑盒模型很难定位到底是哪一类判断出了问题，而分成独立Agent之后，至少能先确认是能源判断错了还是环境判断错了，再针对性排查。专业化分工不是把简单问题复杂化，而是把原本混在一起、互相牵连的复杂问题拆解开。
六个角色：谁负责什么，边界划在哪里
百家乐设计的家庭Multi-Agent系统里，几个核心角色分工大致如下：
- 总控Agent：不直接管具体设备，负责接收各专业Agent的建议、结合当前情境做最终裁决并下发执行指令
- 能源Agent：跟踪电价、光伏发电和储能状态，从用电成本和用电效率角度提出设备调度建议
- 安全Agent：负责门窗状态、异常入侵识别、火灾烟雾等风险判断，拥有较高的否决权重
- 设备维护Agent：持续监测各设备的运行参数是否偏离正常轨迹，提出保养或检修建议
- 环境Agent：负责温湿度、空气质量、光照这些居住舒适度相关的判断
- 老人照护Agent：结合家庭成员的作息、健康相关的间接指标，提出与照护需求相关的建议
这些角色都只在自己的专业范围内提出判断和建议，谁都没有单方面直接操控设备的权力，这一点很关键——避免了某个角色因为只看到局部信息就做出片面决定。
随着家庭规模和设备种类的扩展，这套角色划分也留了扩展空间——比如未来如果加入更细分的照明Agent或者庭院灌溉Agent，只需要让新角色遵循同样的结构化提案格式接入总控层，不需要重新设计整套协商机制，这也是分角色架构相对于单体模型更容易迭代的地方。
一次真实的分歧：空调功率该不该降下来，又该怎么摆上台面
把这套分工放进一个具体场景更容易理解它是怎么运转的。假设当前是下午两点，电价处于当天的峰值时段，能源Agent根据实时电价和这户人家的用电预算，提出"建议把客厅空调功率下调百分之二十"的方案。环境Agent接到这个方案后，结合室外气温三十六度、客厅当前实际温度已经偏高的情况，评估如果按能源Agent的方案执行，未来半小时室温可能上升到超出舒适区间，于是提出反对意见。这时候两个专业判断出现了直接冲突，谁都没有错——能源Agent的建议在纯粹省电的维度上是合理的，环境Agent的反对在纯粹舒适度的维度上也是合理的，问题需要交给更高层的视角来裁决。
能源Agent和环境Agent之间的分歧，不是两段自然语言文字互相说服，而是各自提交一份结构化的提案给总控层，字段大致包括：建议采取的具体动作、预期能带来的收益、需要付出的代价、以及这份建议本身的置信度。能源Agent的提案会写明"降低客厅空调功率二十个百分点，预计节省电费若干，执行置信度较高，因为电价数据是确定的实时读数"；环境Agent的提案则会写明"维持当前功率，预计避免室温超出舒适区间，代价是电费支出增加，置信度取决于室外温度预测的准确性"。这种结构化的表达方式，让总控Agent可以在同一个维度上比较不同建议，而不是要去理解两段各自站在自己立场上写的说明文字，这也是让整套协商机制能够稳定、可预测运行的基础，而不是每次冲突都要临时"猜"对方的意图。
总控Agent怎么裁决：安全类判断通常不参与讨论
总控Agent接手这次分歧时，不是简单地在两个建议之间取一个折中数字，而是把更多情境信息纳入判断：查看客厅当前是否有家庭成员在场、这位成员近期是否有午休安排、当天晚些时候电价是否会回落、以及这户人家过去在类似天气下的电费敏感程度。如果判断结果是客厅当前无人、傍晚电价会明显回落，总控Agent可能会采纳能源Agent的建议，把降功率的时间集中在无人时段，等有人使用客厅时再恢复正常制冷；如果判断结果是家中有老人正在客厅休息，对温度变化比较敏感，总控Agent则会优先采纳环境Agent的意见，即便这意味着当前时段的电费支出更高。这个裁决过程依赖的是家庭世界模型提供的情境信息，没有这层信息支撑，总控Agent的裁决也只是拍脑袋。
并不是所有Agent的建议都处于同一个权重层级。能源和环境之间的分歧可以充分权衡、各让一步，但安全Agent的判断在大多数情况下拥有接近否决权的地位——如果安全Agent判断当前存在明确的风险信号，比如检测到异常的门窗开启模式，总控Agent不会因为能源Agent或环境Agent的建议而延后处理安全相关的响应。这种分层的权重设计，本质上是把"日常体验优化"和"风险应对"两类问题区分开，前者可以慢慢权衡取舍，后者需要近乎即时地被优先处理，不能被拖进一场关于成本和舒适度的常规讨论里。
老人照护与设备维护：两种只提需求、不直接动手的Agent
老人照护Agent的角色设计上更偏向"提需求方"而不是"执行方"。它持续关注的是与照护相关的间接线索——比如老人惯用房间的活动规律是否出现异常变化、夜间起身次数是否明显增多——一旦发现值得关注的模式，它会向环境Agent和安全Agent提出具体请求，比如"建议将老人卧室夜间保持在比平时更高的温度""建议提高该房间夜间异常声响的敏感度"，而不是自己直接调用空调或摄像头的控制接口。这种设计避免了一个专注照护逻辑的Agent因为对设备控制细节理解不足而误操作，专业的事交给专业的Agent去做，照护Agent专心把"需要关注什么"判断准确就够了。
设备维护Agent提出的建议有时也会和其他角色产生张力。比如它监测到某台空调压缩机的振动模式已经连续多天偏离正常轨迹，建议降低这台设备的使用强度以延缓进一步损耗，这类判断我们在多模态预测维护中有更详细的展开。这个建议可能和环境Agent"当前需要更强制冷"的诉求直接冲突，这时候总控Agent需要权衡的是短期舒适度和设备长期寿命之间的取舍，通常的处理方式是优先满足当下的基本舒适需求，同时把维护建议记录下来、安排在使用强度较低的时段执行检修，而不是让某一个Agent的诉求完全压过另一个。
协调是有代价的，总控拿不准时该交给用户
多个Agent协同并不是没有成本的。每增加一个专业Agent，总控层需要处理的信息量和潜在冲突组合都会上升，如果总控Agent的裁决逻辑跟不上，反而会出现响应变慢、决策反复的问题。这也是为什么百家乐没有把Agent拆得无限细——角色划分的原则是每个Agent负责的领域要足够独立、判断逻辑要足够专业，同时数量控制在总控层能够有效协调的范围内，而不是为了显得"系统很智能"就堆砌更多的Agent数量。这套架构要依赖家庭边缘AI提供的本地实时协同能力，多个Agent之间的沟通如果每次都要绕道云端，协调效率会明显打折扣。
不是所有分歧总控Agent都应该自己扛下来。如果几个专业Agent提交的置信度都不算高，或者这次决策的代价明显超出日常调节的范畴——比如涉及是否要在老人独自在家时启动一次较大幅度的温度调整——比较负责任的处理方式是把这次分歧连同各方的提案摘要一起推送给用户，让用户做最终选择，而不是任由总控Agent在信息不充分的情况下强行拍板。这也是Multi-Agent架构相对于单一大模型的另一个优势：因为每个提案都是结构化、可解释的，把分歧原样呈现给用户远比让用户理解一个黑盒模型"为什么这么做"要容易得多，用户看到的是"能源建议省电但可能变热，环境建议维持舒适但更费电"，这样的选择本身也不难做。
未来的家不是一个AI管到底，而是一群AI谈出来的结果
回到最初的问题：一个家庭到底需要多少个AI。答案不是越多越智能，也不是一个包打天下的模型就够，而是根据家庭里真实存在的专业判断维度，划出边界清晰、互相制衡的若干个角色，再配一个能看到全局情境、愿意为不同角色的分歧做出取舍的总控角色。家庭AI Agent的任务规划能力，很多时候正是建立在这样一套多角色协商的结果之上，而不是单个模型灵光一闪的产物。判断一个家庭AI系统是不是真的复杂到位，不用看它对外宣称集成了多少种能力，而是看它有没有认真设计过"两个专业判断吵起来的时候，该听谁的"这件事。这件事没有一劳永逸的标准答案，权重和优先级会随着家庭构成、季节、甚至某一位成员的临时状态而变化，真正考验系统的，是这套协商机制能不能持续地把新的情境信息吃进去，而不是上线时定好一套规则就再也不调整。一个总控角色愿不愿意在裁决之后回头复盘——这次的取舍用户满不满意、下次遇到类似分歧要不要调整权重——很大程度上决定了这套Multi-Agent系统是会越用越贴合这户人家，还是永远停留在装机当天的默认设置上。
