企业官网建设流程全解析

环境数据这几年成了智能家居里的热门话题，但真正住过一间装满传感器的房子之后，你会发现一个尴尬的事实：数据跑得热闹，生活该怎么过还是怎么过。去年我花了很长时间折腾一套环境监测原型，最终把它重构成一个叫 Atmosis 的项目，英文全称是 AI Environmental Intelligence & Health Advisory，也就是人工智能环境智能与健康建议。它做的事并不玄乎：把温度、湿度、CO2、PM2.5、TVOC 这些琐碎读数，翻译成一个普通人能秒懂的结论——现在该开窗、该关窗、该开净化器，还是什么都不用动。这篇文章就把这套系统的定位、架构、实操过程和踩坑记录完整摊开，给想自己动手做环境智能的朋友当一份参考。

1. 项目定位：环境数据不应该是死数字

1.1 从“温度多少度”到“这个环境意味着什么”

传统环境监测的逻辑非常简单：采数据、设阈值、超了就告警。温度超过 28 度就报“热”，PM2.5 超过 75 就提醒“开净化器”。这套逻辑在单一指标下没毛病，但放到真实生活里就有点失灵了。温度 28 度搭配 40% 湿度，和搭配 85% 湿度，体感完全是两回事；PM2.5 同样是 80，室外天气晴朗和正在飘柳絮，给你的行动建议也应该完全不同。环境健康问题从来不是单一因素造成的，而是温度、湿度、换气量、颗粒物、人为活动共同作用的结果。

我做 Atmosis 之前也走过弯路，一开始只是把传感器数据接入一个仪表盘，用不同颜色标红标黄。看着挺专业，可真到要决策的时候，数据反而成了负担。客厅 CO2 已经 1600ppm，PM2.5 也在缓缓上升，那我到底先开窗还是先开净化器？如果室外正好是雾霾天，开窗会让 PM2.5 更高，那又该怎么办？这些问题，传统阈值告警完全答不上来。Atmosis 的第一个设计原则，就是把“环境数值”翻译成“对当前环境中人的影响”，再做行动建议。它的核心不是测量更准，而是判断更对。

1.2 Atmosis 要解决的核心问题：风险被感知，却没人翻译

如果只是缺数据，市面上成品空气质量检测仪早就解决了。真正缺的是四件事。

数据孤岛：温湿度计管温湿度，空气净化器管 PM2.5，新风系统管 CO2，每个设备各说各话，没有人把它们放在一个模型里看“整体环境压力”。这就像体检报告分成了好几个科室，每个科室只告诉你单项指标，却没有一个医生做综合诊断。

告警无行动：大多数设备只会在超标时响一下，然后就没有然后了。CO2 超标后，是开窗十分钟还是开新风一小时？PM2.5 超标后，是关窗等待还是净化器开强档？这些操作参数恰恰是用户最需要的，却几乎没人给。

个体差异大：一个健康的年轻人待在 1500ppm 的 CO2 环境里可能只是有点懵，但一个有哮喘病史的人同时面对 1500ppm CO2 和 60μg/m³ 的 PM2.5，可能已经开始不舒服。健康建议必须带上“使用者的敏感度”，而不是给一个通用答案。

时间维度缺失：只看瞬时值会误判。CO2 瞬时到 1200ppm 可能是刚开完门进来一群人，几分钟后就会回落；但如果 CO2 连续三个小时都在 1200ppm 以上，说明换气系统持续不足，这是完全不同的风险等级。

Atmosis 的思路，是把环境数据建模成“持续暴露压力”。系统不看某一秒的读数，而是计算过去 10 分钟均值、过去 1 小时趋势，再叠加当前活动场景和用户档案。只有这样才能回答“这个环境对人到底意味着什么”。

1.3 谁会从这套系统里切实受益

第一个是过敏或呼吸道敏感的人。花粉、灰尘、霉菌孢子这些细颗粒物，在普通仪表盘上只是一个数字，但对敏感人群来说，它意味着整晚睡不好、晨起咳嗽。Atmosis 会把 PM2.5 和湿度关联起来判断，因为潮湿环境会让过敏原更容易存活，单纯关净化器并不能解决所有问题。

第二个是长时间在密闭空间办公或学习的人。会议室、书房、自习室，人员密度高，CO2 很容易不知不觉爬到 1500ppm 以上，人会觉得困倦、注意力下降。系统需要做的是提前通风，而不是等已经头晕了才告警。

第三个是家里有老人和小孩的用户。老人和儿童对环境变化的耐受度低，卧室夜间 CO2 和湿度对睡眠质量影响尤其明显。给这类家庭做的系统，建议必须更保守、可执行，还要能输出“夜间卧室环境日报”这类长期观察。

第四个是折腾智慧住宅、新风系统、被动房调试的工程型用户。这类人未必需要花哨界面，他们更关心数据逻辑是否正确、建议链路是否可追溯、能否通过 API 把环境信号交给其他自动化系统。Atmosis 的开放接口和可解释建议，正好踩在这个需求上。

2. 架构设计与技术选型

2.1 数据链路：从传感器到建议

整个系统可以拆成四条链路：采集链路、传输链路、推理链路、反馈链路。采集链路是每个房间的环境节点，负责把模拟世界变成数字信号；传输链路通过本地网络，以 MQTT 协议把数据推送到边缘网关；推理链路在边缘网关和云端各跑一部分，边缘处理实时告警，云端跑周级模型训练；反馈链路再把建议推送到手机 App、小程序的推送服务，以及用户自建的自动化脚本里。

这里有一个架构取舍值得说明。为什么不把数据全部直接传到云端再计算？一是实时性，断网的时候你仍然需要知道卧室 CO2 是不是正在超标；二是隐私，环境数据看似无害，却能反推出生活规律——几点起床、几点做饭、家里有没有人。边缘网关只上传脱敏后的统计特征和模型训练需要的聚合成特征，原始一分钟粒度数据只留在本地，这样既保证了功能，也减少了不必要的上传。

我最初也偷懒试过把数据全部走云端免费存储，结果连续几天网络抖动，告警延迟了快四十分钟，用户在卧室闷了半天才收到通知，这种体验是不可接受的。所以后来边缘网关承担了所有秒级判断，云端只负责“学习”和“调参”，两者分工明确。

2.2 传感器选型：每一类指标都有讲究

选传感器不是越贵越好，而是要看你的系统需要什么尺度。温度湿度这类基础指标，用 I2C 接口的数字传感器就够，精度控制在 ±0.3 摄氏度以内，关键是避开自热干扰。PM2.5 我选的是激光散射原理的传感器，能直接读出颗粒物质量浓度，响应快，适合做实时联动。CO2 必须用 NDIR 红外原理传感器，因为 CO2 是一个绝对值指标，电化学或估算算法受环境影响太大。TVOC 用常见的金属氧化物半导体传感器，它不能给出精确的化学物质浓度，但用来感知室内污染趋势非常够用。

如果你只看成品检测仪的参数，会觉得同价位都差不多，但实际上传感器之间差别巨大。我最早用过一款很便宜的一体式检测模块，PM2.5 和 CO2 都集成在里面，体积小、接线方便，可实测下来 PM2.5 和隔壁靠谱传感器差了将近 40μg/m³，这种误差会让所有健康建议失去意义。所以 Atmosis 每个房间节点都坚持“独立传感器、统一数据总线”，宁可多占一点空间，也不把命根子押在一颗不靠谱的集成芯片上。

具体选型可以按下表参考：

2.3 数据融合与建模思路

拿到多路传感器数据之后，第一件事不是上模型，而是先清洗。传感器在开机预热阶段、受到气流扰动时、或者 Wi-Fi 天线发热时，都会产生异常尖峰。系统先用中位数滤波把偶发尖峰去掉，再计算 1 分钟均值、10 分钟均值、1 小时均值，分别代表“当前状态”“短期趋势”“长期暴露”。

推理部分我用了两层结构。第一层是硬规则层，它基于通用空气质量健康阈值，处理那些确定性的场景。比如 CO2 超过 1500ppm 就一定要提示加强通风，湿度低于 30% 就要建议加湿。硬规则的好处是稳定、可解释、不出格，任何情况下都不会给出违反基本常识的建议。第二层是模型层，用梯度提升树这类轻量级模型，输入特征包括各指标均值、变化斜率、季节、室外气象、房间类型、用户敏感级别，输出的是“当前环境引发身体不适的风险等级”。

为什么不直接上深度学习大模型？因为环境健康建议这件事，用户信任比精确度重要。一个黑箱模型告诉你“风险概率 63%”，你根本不知道怎么响应。树模型的好处是能够输出特征重要度，系统可以告诉你“主要原因是 CO2 持续偏高，其次是湿度偏低”，这种可解释性在健康建议场景里价值极高。我实际训练时还发现，模型层最大的价值不是替代规则，而是发现多因子组合风险。比如“低温 + 高湿度 + 高 CO2”这个组合，单项都在黄色警戒线以下，但叠加起来对偏头痛人群非常不友好，这种组合逻辑在静态规则表里几乎不可能穷举。

2.4 让建议“说人话”

建议生成是整个系统最需要用心的地方。同一个环境状态，对敏感人群和对健康成年人的说辞应该完全不同。Atmosis 的建议文本不是简单拼变量，而是按“威胁指标 + 持续时间 + 主因 + 动作 + 终止条件”的结构生成。

举一个实际例子。系统检测到客厅 CO2 连续 30 分钟超过 1600ppm，同时室外 PM2.5 只有 20μg/m³，天气数据表明微风、温度适宜，那么建议就会是：“客厅 CO2 已经连续半小时超过 1600ppm，主要原因是门窗关闭且室内人员较多。建议开窗通风 5 到 10 分钟；等 CO2 回落到 900ppm 以下再关窗。”如果室外 PM2.5 也是雾霾级别，这个建议就会自动变成：“建议不要开窗，打开新风系统中档，或在室内开启空气净化器。”

所有建议都必须带终止条件，这是我反复强调的一点。没有终止条件的建议等于没有建议。你告诉用户“请通风”，用户通风多久才能停？系统说“请开净化器”，净化器什么时候可以关？Atmosis 里的每条建议都会附带“当某个指标恢复到哪里，就可以停止当前操作”，这看起来只是文案细节，却是实际体验差距最大的地方。

3. 实操落地：从零搭建一个环境智能节点

3.1 硬件清单与组装细节

先给出一套可以抄作业的硬件方案。主控我用的是一块带 Wi-Fi 的开发板，型号大家很熟悉，ESP32 级别就够，双核跑传感器采集一点不吃力，关键是价格低、生态成熟。传感器方面，核心四件套是温湿度、PM2.5、CO2、TVOC，按上一节的选型思路购买独立模块。电源建议 5V/2A 以上，因为 PM2.5 传感器内部有风机，启动瞬间电流不小。外壳最好使用带进气孔和防尘滤网的盒子，淘宝那种全密封透明壳子绝对不能用，传感器会被闷死在里面。

组装时有几个容易踩的点。第一，传感器不要紧挨着 Wi-Fi 天线，开发板发热会让附近温湿度读数偏高，我实测贴着放置时温度误差能到 3 摄氏度。第二，PM2.5 传感器的气流方向要避开主控板，进气口不能朝下，否则灰尘会快速积满光学舱。第三，所有传感器模块尽量通过长排线引出，让探头悬在空气流通的位置，而不是挤在板卡之间。第四，做好离线冗余，SD 卡或掉电保存的本地缓存区一定要留，因为环境数据一旦断档，后面的趋势分析就全错了。

3.2 数据采集、校准与清洗

采集代码本身不复杂，难的是让数据可信。一个全新的传感器节点，上电后不要立刻投入使用，先让所有传感器预热二十分钟到半小时，等读数稳定再说。然后要做三件校准工作。

PM2.5 校准：把节点放到室外通风处，连续运行一小时，收集的数据和附近城市监测站的官方数据做对比，算出一个线性偏移量。比如说传感器测出来 45，参考站是 50，那就把斜率修正为大约 1.1 倍。这个偏移会随空气湿度和传感器老化变化，建议每两周校一次。

CO2 校准：NDIR 传感器本身有自动校准功能，但它需要定期经历新鲜空气环境。最简单的做法是每天晚上人离开房间后，打开窗通风一段时间，让节点在无人状态下测到稳定低值。校准程序会自动把这当成“新鲜空气基线”。如果房间长期密闭，CO2 基线会漂移，测出来永远偏高，这是很多人忽视的坑。

数据清洗代码可以参考这个片段：

import pandas as pd def clean_series(df, column="co2", window=5): # 用中位数滤波去掉偶发尖峰 df["clean"] = df[column].rolling(window, center=True, min_periods=1).median() # 去掉传感器预热瞬间的异常值 df.loc[df["uptime"] < 300, "clean"] = None return df.dropna(subset=["clean"])

这里每隔五分钟在边缘网关做一次聚合，把 1 分钟均值、10 分钟均值和斜率都算好，再让上层规则和模型消费这些聚合特征，而不是消费原始逐秒数据。

3.3 健康建议逻辑与告警规则

上一节提到规则层要“保守且稳定”，下面是我实际采用的一套偏保守阈值，单位已经标明，大家可以参考但不要照抄，因为不同环境、不同人群真不一样。

告警策略要防止“狼来了”效应。同一类建议一小时内不重复推送，比如用户已经收到“请开窗通风”，五分钟后 CO2 还在高位，系统不会再推一遍一模一样的提醒。如果两小时后二氧化碳仍无好转，系统会提高分级，推送一条“初级通风似乎没有效果，建议检查新风系统”。一条告警只聚焦一个核心问题，不要把 CO2、PM2.5、湿度三个红色警报同时砸到用户脸上，看完只会焦虑，不知道先处理哪个。优先级规则很简单：威胁等级高的先报，同时段拉出一个“首要建议”。

用户敏感性参数也在这里起作用。敏感人群模型会把 CO2 的风险阈值下调大约 15%，把 PM2.5 的通风建议改为“不建议开窗、优先机械过滤”。这样做会让敏感用户感受到系统确实在适配自己，而不是用一份通用模板打天下。

3.4 可视化、通知与对外接口

环境监测系统最容易死在可视化过度设计上。我做主界面时只放三张卡片：当前环境综合评分，过去 24 小时空气品质变化曲线，以及一条最核心的健康建议。综合评分不是简单平均各指标，而是按“短板原则”计算——最差的那个指标拖累整体评分最多。比如 CO2 还算良好，但 PM2.5 严重超标，综合评分就会被 PM2.5 主导，而不是被几个良好指标稀释掉。

通知方面，我接了两个渠道：手机 App 的推送和电子邮件。App 推送用于实时告警，邮件用于每日报告。每天的早晚各一次环境摘要，包括夜间卧室 CO2 均值、全天通风建议执行次数、当前最需要注意的指标。对外接口方面，我留了一个简单的 REST API，提供 JSON 格式的当前环境数据和主动建议，方便接入其他自动化系统。这个 API 只允许在内网访问，如果需要远程调用，就加一层 Token 鉴权和频率限制，防止不怀好意的请求把数据拖走。

4. 实测中的坑与排查实录

4.1 传感器读数不是插上就能用

第一个踩的坑是温湿度传感器自热。开发板本身跑着 Wi-Fi，芯片温度随便就比环境高好几度，传感器贴在板子上，测出来的温度自然永远偏高。最后我用一排母座把温湿度探头强制拉到离板子 15 厘米以上的位置，才解决这个问题。这件事也提醒我，结构设计对数据质量的影响，比传感器本身的价格影响还大。

第二个坑是 PM2.5 传感器读数越用越低。激光散射传感器内部有一个小风扇，负责驱动气流通过光路。用了三四周后，风扇叶片和光路里会积灰，导致通过光路的颗粒物减少，读数逐渐偏低。如果你发现同一房间的 PM2.5 长时间稳定在个位数，而外面明明在飘霾，先别高兴，大概率是传感器堵了。我这边的处理办法是每两周拆开用皮吹清理一次，顺便检查风机是否正常转动。

第三个坑是 CO2 传感器晚上断电。因为外接电源插头松了，节点凌晨断电，第二天重新上电后，NDIR 传感器的基线乱了，连续几天 CO2 读数比实际偏高很多。后来给节点上了带断电保持的电源，并在固件里加了“掉电重启后 24 小时内只记录、不参与告警”的保护逻辑，避免拿错误数据去吓用户。

4.2 数据全了，模型反而不好使

环境数据有一个天然问题：大部分时间环境都是正常的。我跑了一个月数据，阳性样本，也就是用户标记“明显不舒服”的时刻，只占不到 1%。用这种数据训练二分类模型，模型很容易偷懒，把所有样本都预测成“正常”，准确率还高达 99%，但一点用都没有。解决办法是重采样和合成少数类样本，同时对模型输出做阈值偏移，宁可模型偏保守一点，把轻微风险识别为“关注”，也不要漏掉真正的高风险场景。

第二个模型问题是指标含义对不上。用户标记“闷”“头晕”其实是主观感受，受当时心情、疲劳程度影响很大。同一个环境，昨天头晕今天没感觉，标签就互相矛盾。后来我用一个弱标签策略：连续工作超过 90 分钟 + 时间在下午 + 房间 CO2 高于 1200ppm，就自动生成一个“疑似认知负荷”样本。这不能和医学结论画等号，但对训练环境风险模型已经够用了。

第三个问题是模型给出的概率数字用户看不懂。风险概率 63% 到底要不要开窗？我后来干脆不展示原生概率，而是把连续输出离散成“低、中、高”三档，并强制附上主因标签。比如“中度风险，主因：CO2 持续上升”，用户不需要理解概率，只需要知道听系统的建议行动就够了。

4.3 被场景“欺骗”的误报

误报最典型的例子发生在厨房。做饭时即便油烟机开着，客厅的 TVOC 传感器也会因为飘过来的味道瞬间飙到 0.9mg/m³ 甚至更高，触发通风建议。可实际上只要关火二十分钟，数值自然回落。我加了一个“场景变化率识别”：当 TVOC 在五分钟内快速上升超过一定斜率，并且温度和湿度也在变，就先判定为“疑似烹饪活动”，暂时压住通风建议，观察十五分钟后再决定。这样有效过滤了厨房带来的瞬时误报，又不会漏掉持续的装修污染。

另一个误报发生在新风系统和净化器协同运行时。空气净化器开了一个下午，PM2.5 从 90 降到 30，但规则层看到 PM2.5 在“关注区间”，继续建议“开启净化器”。用户梦到系统不智能，已经开着净化器还让我开。后来我在规则里加入“设备状态感知”：如果净化器功率已经在运行，且 PM2.5 正在以每小时下降 20μg/m³ 以上的速度改善，系统只提示“改善中，暂无需操作”，不再重复建议。如果持续一小时没有改善，才重新提醒检查滤网或风量。

春季花粉高发期也出过幺蛾子。室外 PM2.5 不高，但花粉浓度很高，规则层看到“室外空气良好”就建议开窗通风，结果过敏用户打完喷嚏来质问我。从那以后，开窗建议必须额外检查外部过敏原风险指数，把它作为一项修正条件接入规则表。

4.4 常见问题排查速查表

5. 后续扩展：向“个人环境医生”方向走

5.1 与可穿戴数据联动

环境数据能告诉我们环境有多差，但很难告诉我们环境对某个具体人造成了多大影响。下一步很自然的方向，就是接入智能手表或手环的心率、睡眠、活动数据。比如夜里卧室 CO2 持续高于 1200ppm 的时段里，用户频繁翻身、深睡比例下降，如果这种模式反复出现，就是一个非常有价值的环境健康信号。我最近就在卧室节点加了一个试验性的“睡眠环境评分”，把夜间温湿度、CO2、噪音事件和可穿戴的睡眠阶段整合成一张图，先跑一段时间看看相关性，再决定要不要升级成正式功能。

5.2 多房间横向对比与建筑诊断

目前我已经在两个房间部署了同规格节点，意外发现不同房间之间的差异非常明显。次卧的 CO2 几乎一直比客厅高 300ppm 左右，说明空间换气路径或者门缝通风存在短板。儿童房夜里湿度经常超过 75%，单纯提醒用户开窗没用，真正原因可能是衣柜靠外墙导致凝水。环境智能一旦有了多点位数据，本质就变成了一种建筑健康诊断工具：不只是“这个房间现在怎么样”，而是“为什么这个房间一直比别的房间差”。这种对比对老房改造和新风系统设计都特别有价值。

5.3 与节能系统协同

环境智能还能反过来帮节能。以前新风系统是按固定时间表运行的，每天固定开两小时，不管家里有没有人、CO2 是否真的超标。接入 Atmosis 的环境信号之后，新风系统可以变成按需运行：室内无人时，哪怕 CO2 稍高也不用开；室内人多时，系统根据 CO2 上升速率估算需要的新风量，自动调整档位。这既避免了能源浪费，又能保证真正需要通风的时候风量到位。做这套系统之前我没有想到，一个健康建议系统最大的意外收益，其实是省电费。

我个人在这个项目里最大的体会是：做环境智能，难的不是传感器精度，也不是模型酷不酷，而是让系统在恰当的时间，给出一句普通人能听懂、敢执行、而且真的有效的建议。Atmosis 到现在依然有很多粗糙的地方，但它已经彻底改变了我的生活习惯。如果你也想自己动手做一套，我的建议很直白：先从一个房间、三个指标开始，把“建议怎么给”想清楚，再逐步加传感器。数据可以做加法，但健康建议一定要做减法。