上周三下午，手机又响了。不是微信，是家里监控的推送——"Front Door Motion Detected"。

这种通知一天能收十几条。风刮树枝、邻居家的猫、送外卖的，全都是一个样：有人来了，但不知道是谁、来干嘛、待了多久。最后变成狼来了，真有事反而懒得看。

打开网易新闻 查看精彩图片

所以动手改了一套系统。核心目标很简单：让监控通知告诉我"发生了什么"，而不是"有东西在动"。

这套方案完全本地运行，没往云端传过任何画面。用到的东西也不复杂：Frigate做运动检测，Home Assistant串自动化，Gemma 4在本地跑视觉理解，最后把结果推送到手机。

现在收到的通知长这样："A person wearing a dark shirt approached the gate, waited briefly, and left."（一个穿深色衬衫的人走近大门，短暂停留后离开。）

不是模板填空，是模型看了画面之后写的描述。能区分是送货员、等人、还是可疑徘徊。信息密度高了，误点进去确认的次数少了。

Frigate：开源NVR做底座

Frigate是个开源的网络录像机系统，专门给IP摄像头做实时目标检测。它直接分析RTSP视频流，在本地完成人、车、动物的识别，不需要订阅云服务。

WiFi摄像头走RTSP协议把画面喂给Frigate。配置里写好流地址，它就开始24小时盯着画面跑检测。检测到人的瞬间，触发后续流程。

Frigate的检测只到"这是个人"为止。接下来要把画面送给Gemma 4，让它看图说话。

Gemma 4 E2B：轻量视觉模型本地部署

选的模型是gemma4:e2b，通过Ollama在本地运行。硬件环境是一台Proxmox虚拟机，开了GPU直通加速推理。

E2B这个变体是特意挑的。三个原因：够轻，本地能跑得动；延迟低，从检测到推送到手机控制在几秒内；输出简洁，不做过度发挥，刚好适合监控场景的描述需求。

部署结构是：Frigate检测到事件→截取关键帧→送进Gemma 4→生成文字摘要→Frigate把摘要和录像片段打包成事件→Home Assistant读取事件→触发手机推送。

没有Gemma 4的时候，系统只知道"A person was detected."有了之后，能输出人在做什么、移动轨迹、停留时长、事件重要性判断。这一步让通知从信号变成了信息。

Home Assistant：自动化中枢

Home Assistant在这里当胶水。它监听Frigate生成的事件，解析里面的AI摘要字段，然后组装成富文本通知发到手机。

通知带缩略图，能直接看到画面关键帧。点进去可以播放完整录像。整个链路从画面变化到手机震动，大概3-5秒。

配置主要是两份YAML：一份给Frigate，定义检测区域、模型调用方式、提示词模板；一份给Home Assistant，写自动化规则，什么事件触发什么格式的通知。GitHub Gist上有完整配置可以参考。

提示词需要根据自家场景调。比如关心的是"人有没有进院子"，邻居可能关心"车有没有堵车库门"。在Frigate配置里改prompt，让Gemma 4侧重描述不同细节。

实际用下来的变化

最直观的是通知点开率下降。以前每条都点进去看，现在扫一眼文字就知道要不要管。真正需要看录像的情况，从每天十几次降到一两次。

另一个意外收获是检索方便。Frigate的事件库带AI摘要，搜"delivery"能找出所有送货相关的录像，不用翻时间轴。

隐私方面，所有画面和推理都在本地。Gemma 4不联网，Ollama不往外传数据，手机通知走Home Assistant的加密通道。对不想把家门口画面上传厂商服务器的用户来说，这是硬性需求。

硬件成本：一台能跑Gemma 4的机器，用的是带独显的迷你主机；摄像头用支持RTSP的WiFi型号，海康、TP-Link、Reolink都有兼容款。Frigate和Home Assistant都是开源免费。

部署门槛主要在调配置。RTSP流地址要查摄像头说明书，GPU直通要看Proxmox文档，提示词要试几次才能稳定输出想要的格式。但搞过一次之后，复制到别的摄像头只是改几行参数。