近年来，高性能的网络摄像头价格变得亲民，且大多数都内置了通过AI检测人和车辆的功能。只需购买并安装，即可拥有一套AI智能监控系统。
系统可以设置在检测到画面变化时，自动向手机发送通知，24小时全天候监控异常情况，及时应对，或在快递送达时提醒用户。
不过，使用这些网络摄像头的AI功能通常需要订阅服务，持续产生费用。此外，视频数据上传云端分析也带来隐私安全隐患。
为了解决这些问题，可以自己搭建一个本地AI监控系统。现在借助AI编程工具，构建实用的本地监控系统变得简单，且可以自由添加所需功能。无需高性能GPU，迷你PC也能胜任。让我们一起来尝试吧！
1. 所需硬件与软件
本次方案的核心理念是：用性能适中的迷你PC结合本地AI，将普通网络摄像头升级为本地AI监控摄像头。
目标是实现“检测人物等目标”，并“用文字描述现场情况”的智能监控，同时支持异常时向手机推送通知。
硬件清单
- 迷你PC（GMKtec NucBox K15，Intel Core Ultra 5 125U，32GB内存）
- 网络摄像头（日本TP-Link Tapo C325WB V2.0）
- 外接GPU（eGPU，NVIDIA GeForce RTX 4070 Ti）
- 智能手机
- 家庭局域网环境
软件清单
- Windows 11 Pro
- Claude或ChatGPT（Codex）：用于代码编写
- Docker Desktop：服务器虚拟环境
- Frigate：网络摄像头控制软件
- Mosquitto：系统间通信
- Home Assistant：自动化平台及手机应用
- Ollama：AI处理平台
选择迷你PC的原因之一是其低功耗，适合长期作为服务器运行。虽然性能有限，但内置GPU和NPU可支持本地AI实用运行。为测试性能，还准备了通过OCuLink连接的eGPU环境（MINISFORUM DEG1搭配RTX 4070 Ti）。
网络摄像头必须支持RTSP协议，方便局域网内其他系统访问视频流。由于需要长时间监控，建议选择有电源插座供电的摄像头，且画质要好以保证分析准确性。
软件方面，已有成熟的自制监控方案。以Frigate为核心控制摄像头，结合Home Assistant实现智能家居自动化，Mosquitto负责系统通信，Ollama作为AI处理基础。
Frigate内置物体检测功能，基本只需配置即可实现监控和人物检测。手机通知通过Home Assistant及其手机端设置完成。
编码工作主要集中在控制大型语言模型（LLM）部分，用于生成对摄像头画面中发生事件的文字描述。LLM由Ollama运行，采用轻量级视觉语言模型Qwen3-VL 4B Instruct，适合内存较小的PC。
由于Frigate是Linux软件，需借助Docker Desktop在Windows上创建Linux虚拟环境，统一运行Frigate、Ollama和Home Assistant。
2. 利用AI工具制定设计方案并在迷你PC上实现
构建AI监控系统时，使用了Anthropic的Claude和OpenAI的Codex。选择两者主要是基于订阅计划的token余额，实际应用中单用Claude或ChatGPT+Codex组合更为常见。
开发流程是先通过聊天AI讨论确定最优硬件和软件配置，生成具体的系统设计方案和分阶段实施计划，输出为HTML格式便于阅读。
随后指示Codex根据设计方案开始实现。实际工作以软件下载、安装和配置为主，编码工作相对较少。
Windows应用如Docker Desktop建议手动安装以避免失败，Linux相关操作（如Docker容器部署、Home Assistant配置）AI执行成功率较高。
部分配置步骤AI会直接指导，甚至可通过Codex内置浏览器远程操作相关工具，极大简化用户操作。
不过，过度依赖AI可能导致用户对系统细节掌握不足，后续遇到问题时可能无从下手。
3. 性能测试与最实用硬件配置评估
经过一天设计、实现和调试，系统基本完成：能检测人物，推送通知到手机，并生成现场事件的文字描述。
测试了不同硬件（CPU、内置GPU、NPU、eGPU）下的性能，尤其是文字描述生成速度。结果显示：
- 人物检测时间CPU处理无明显差异（约几秒），但文字描述生成耗时差异大。
- CPU生成文字描述约需43秒，整体通知延迟超过1分钟，实用性差。
- 内置GPU和eGPU可将总时间缩短至30秒以内，实用性大幅提升。
进一步优化后，减少了处理等待时间，内置GPU下通知延迟缩短至约10秒，eGPU几乎与检测同步推送文字描述。
功耗测试显示，eGPU运行时功耗最高，空闲时功耗约为其他方案的3倍，长期运行成本较高。
综合性能和功耗，内置GPU方案最为平衡，适合迷你PC单机运行的监控系统。
4. 打造理想的个性化网络摄像头监控系统
AI编程中最关键的是设计方案的制定，明确方案能减少后续修改，提高开发效率。
实际开发中会遇到未预料的问题，如Home Assistant直播画面卡顿需转码处理，检测和通知参数需反复调试等。
由于系统需检测真实人物，用户需亲自参与测试，软件开发虽可由AI辅助，但物理验证不可省略。
自建系统优势在于可针对特定环境（安装位置、监控区域地形等）灵活调整，添加普通产品不具备的功能。
此外，无需云端服务，保护隐私且免除持续订阅费用。更重要的是，用户能不断完善和进化自己的系统，享受DIY乐趣。
如果你有闲置PC，不妨尝试搭建属于自己的本地AI监控摄像头系统。
