LocalIntent: Outcome-Specific Structured Generation for Backend-Compatible Smart Building Automation with Local LLMs

📄 arXiv: 2610.23511v1 📥 PDF

作者: Tianyang Liu, Jiayue Wang, Zhanhao Cheng, Changyang Wang, Shaoshu Zhu, Zhenghao Wu, Hadi Tabatabaee Malazi

分类: cs.AI

发布日期: 2026-10-16

💡 一句话要点

提出LocalIntent以提升智能建筑自动化的结果特定生成能力

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 智能建筑 本地模型 自然语言处理 自动化 结果特定生成 命令生成 触发-动作规则 意图理解

📋 核心要点

  1. 现有方法在智能建筑自动化中面临依赖云服务、结果选择和结构化输出的挑战。
  2. 论文提出的LocalIntent方法通过结果特定的提示设计，优化了请求的处理流程。
  3. 实验结果表明，LocalIntent在意图理解和设备识别等方面显著提升，尤其在持久规则生成中表现突出。

📝 摘要（中文）

本研究探讨了本地部署的大型语言模型（LLMs）在智能建筑自动化中的应用，旨在减少对远程云服务的依赖。我们提出的LocalIntent方法通过结果特定的提示设计，改善了模型输出的准确性，特别是在命令生成和触发-动作规则的生成上。实验结果显示，LocalIntent在意图理解、设备识别和动作/参数正确性方面显著优于传统的两阶段提示方法，尤其在持久规则的生成中，意图理解率从26.4%提升至80.6%。

🔬 方法详解

问题定义：本研究旨在解决智能建筑自动化中对云服务的依赖，以及现有方法在结果选择和结构化输出方面的不足。传统的提示设计未能有效满足本地执行的需求，导致输出准确性低下。

核心思路：LocalIntent方法通过将请求路由到普通或持久规则分支，针对不同类型的请求生成相应的命令或规则，从而提高输出的准确性和有效性。这样的设计使得模型能够更好地对接本地能力，减少对外部服务的依赖。

技术框架：整体架构包括请求路由、命令生成、规则生成和确定性验证四个主要模块。请求首先被分类，然后根据类型生成相应的输出，最后通过验证机制确保输出的有效性。

关键创新：LocalIntent的最大创新在于其结果特定的提示设计，显著提高了模型在意图理解和设备识别方面的表现，与传统的两阶段提示方法相比，能够更好地适应本地执行的需求。

关键设计：在模型训练中，采用了针对不同请求类型的损失函数和验证机制，确保生成的命令和规则符合预期的结构和功能。模型的参数设置也经过精细调整，以优化输出的准确性。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，LocalIntent在持久规则生成中的意图理解率从26.4%提升至80.6%，设备识别率从59.3%提升至84.7%，规则模式正确性从49.1%提升至98.6%，动作/参数正确性从5.6%提升至44.9%。对于非持久请求，意图理解率从39.6%提升至53.2%，动作/参数正确性从30.7%提升至42.8%。

🎯 应用场景

该研究的潜在应用领域包括智能建筑管理、家庭自动化和工业控制等。通过优化本地模型的输出能力，LocalIntent能够提升智能设备的交互效率，减少对云服务的依赖，从而提高系统的响应速度和可靠性。未来，该方法有望在更广泛的智能环境中得到应用，推动智能建筑技术的发展。

📄 摘要（原文）

Locally deployed large language models (LLMs) can reduce reliance on remote cloud services for natural language smart building automation, but backend-facing processing requires correct outcome selection, alignment with local capabilities, and valid structured outputs. We investigate whether a complete outcome-specific prompting design improves compact-model outputs beyond generic route-then-generate prompting. The proposed LocalIntent approach routes requests to ordinary or persistent-rule branches: the former produces commands, clarifications, or rejections, while the latter generates trigger-action rules, followed by deterministic validation. We evaluate four locally executed Gemma and Qwen models spanning 2B-9B parameters on 101 non-persistent and 54 persistent-rule records, comparing Monolithic prompting, generic two-stage prompting, LocalIntent, and validation-guided repair. Across the evaluated datasets, LocalIntent achieves higher intent understanding, device identification, and action/parameter correctness than generic two-stage prompting, while clarification/mode correctness remains model-dependent. The largest gains occur for rules, where LocalIntent improves intent understanding from 26.4% to 80.6%, device identification from 59.3% to 84.7%, rule-mode correctness from 49.1% to 98.6%, and action/parameter correctness from 5.6% to 44.9%. For non-persistent requests, pooled gains are smaller: intent understanding increases from 39.6% to 53.2%, and action/parameter correctness from 30.7% to 42.8%.