你的 Mac 裡，藏著一個免費的 AI

一句話，省下每月 20 美元的 AI 訂閱費

你的 MacBook 裡，已經裝了一個 AI 模型。

它不是你需要花錢購買的 ChatGPT Plus，也不是需要信用卡才能使用的 Claude Pro。它就睡在你的 macOS 系統裡，等著你叫醒它。

這個 AI 完全免費、完全本地運算、完全不需要網路。只要一個指令，它就能從你的終端機回答問題、翻譯文字、生成程式碼。

它的名字叫 apfel——德文裡的「蘋果」。

Apple 把它藏起來了

從 macOS 26（代號 Tahoe）開始，每一台 Apple Silicon Mac 都內建了一個語言模型，這是 Apple Intelligence 的一部分。這個模型大約有 30 億個參數，使用混合的 2-bit 和 4-bit 量化，專門在 Apple 的 Neural Engine 上運行。

但 Apple 把它鎖住了。

在預設情況下，這個內建模型只能透過 Siri、寫作工具和系統功能使用。你無法在終端機呼叫它，無法透過 HTTP API 存取它，無法把它整合到你的開發流程裡。Apple 提供了 FoundationModels.framework 這個 Swift API，但你需要寫一個完整的 Swift 應用程式才能用上它。

為什麼 Apple 這麼做？有幾個可能的原因：

使用者體驗：Apple 希望使用者透過友善的介面使用 AI，而不是終端機和 API。
隱私控制：限制存取方式可以確保使用者知道什麼時候在使用 AI，避免背景隱密地使用。
生態系統控制：Apple 想要控制 AI 的使用方式，確保符合他們的設計原則和隱私標準。

無論原因為何，這個限制對開發者來說很煩人。你有一個免費、本地、隱私優先的 AI，但你無法用它來輔助開發。

於是，開發者 Franz Enzenhofer 做了 apfel。

apfel 是什麼？

apfel 是一個 Swift 6.3 二進位檔案，它包裝了 LanguageModelSession，用三種方式釋放 Mac 內建的 AI：

UNIX 命令列工具：支援 stdin、stdout、JSON 輸出、檔案附件，完美結合 jq、xargs 和 shell scripts。
OpenAI 相容的 HTTP 伺服器：在 localhost:11434 跑起來，任何 OpenAI SDK 都可以直接替換成它。
互動式聊天介面：支援多輪對話、自動 context 管理和系統提示詞。

安裝只需要一行：

$ brew install Arthur-Ficial/tap/apfel

安裝完成後，你就可以直接在終端機使用：

$ apfel "奧地利的首都是什麼？"
奧地利的首都是維也納。

$ apfel -o json "翻譯成德文：蘋果" | jq .content
"Apfel"

為什麼這很重要？

零成本

apfel 沒有 API 金鑰、沒有訂閱費、沒有按 token 計費。這是你的硬體——你想怎麼用就怎麼用。

對開發者來說，這意味著你可以免費用 AI 來：

生成和除錯 shell scripts
解釋錯誤訊息和程式碼片段
快速翻譯和文字轉換
自動化日常工作流程

不需要擔心 token 用量，不需要記錄支出，不需要選擇哪個 AI 服務商更划算。

假設你是一個全職開發者，每天用 AI 輔助工作 2 小時，平均每小時消耗 1 萬個 tokens。使用 OpenAI GPT-4（假設 $0.01/1K tokens），這代表每個月要花大約 $600（約新台幣 20,000 元）。即使使用 GPT-4o-mini，每個月也要花 $60（約新台幦 2,000 元）。

用 apfel，這些錢完全省下來。

對台灣的開發者來說，這特別有意義。台灣的薪資水準雖然高，但 AI 訂閱費在台幣換算下還是挺貴的。一個月 $20 的 ChatGPT Plus，換算成台幣是 $660，大約是一般工程師一天半的餐費。用 apfel，這筆錢可以省下來買咖啡、吃飯，或者投資到其他地方。

100% 本地運算

apfel 生成的每一個 token 都是在你的 Apple Silicon 上完成的。沒有任何資料離開你的裝置，從來沒有。

這有兩層保護：

Apple 的層面：FoundationModels.framework 不需要網路連線就能運作，完全在 Neural Engine 上執行。你的提示詞和回應永遠不會離開裝置，而且使用者資料從不用於訓練。
apfel 的層面：沒有 analytics、沒有 telemetry、沒有追蹤、沒有自動更新檢查、沒有 crash reporting、沒有向任何伺服器報告。它是開源的，完全可稽核。

對在乎隱私的使用者來說，這是關鍵差異。你可以用 apfel 處理敏感的程式碼、私人筆記、商業文件，完全不用擔心資料會被送到雲端。

舉個例子，假設你在一家處理用戶個資的台灣新創公司工作。你需要用 AI 來處理客戶的姓名、地址、電話號碼。如果使用雲端 AI，你需要確保這些資料在傳輸和儲存時都經過加密，還要確保 AI 服務商符合台灣個資法的要求。

用 apfel，這些資料從來沒有離開你的 Mac，完全在本地處理。這大大降低了法規和隱私的風險。

開箱即用

apfel 不需要下載任何 LLM。它使用的就是 macOS 已經內建的 Apple Foundation Model (AFM)。安裝後立刻可以用，不需要等待模型下載完成，不需要設定模型路徑，不需要管理模型版本。

相比之下，Ollama 和 LM Studio 雖然提供更多模型和更大的上下文視窗，但需要額外下載模型，設定也更複雜。apfel 用的是你已經付錢買到的東西——你的 Mac 和裡面的 macOS。

這對新來者特別友好。你可能剛開始學 AI 輔助開發，不想花時間搞懂什麼是 quantization、什麼是 GPU memory、什麼是 model size。你只想試試用 AI 輔助寫程式。apfel 就是為這種場景設計的——安裝、用、不用想太多。

實際使用場景

終端機助手

apfel 設計成管道友好，可以直接整合到你的工作流程：

# 解釋一個複雜的命令
$ explain "awk '{print $1}' file | sort -u"

# 自然語言生成 shell 命令
$ cmd "find all .log files modified today"

# 生成 pipe chains
$ oneliner "count unique IPs in access.log"

# 摘要最近的 git commits
$ gitsum

這些指令（cmd、oneliner、explain、gitsum）其實是 apfel 的別名。apfel 設計成可以建立別名，讓你用簡短的名稱呼叫不同的功能。這讓 apfel 可以適配各種工作流程，而不需要每次都打長指令。

假設你在處理一個大型專案的日誌檔案。你想找出今天所有修改過的 .log 檔案，並且看看裡面有什麼錯誤。用 apfel，你可以這樣做：

$ cmd "find all .log files modified today"
find . -name "*.log" -mtime -1

$ oneliner "extract all error messages from today's logs"
find . -name "*.log" -mtime -1 -exec grep -i "error" {} \;

$ apfel "What are common errors in my logs?"
<貼上日誌內容>

這種工作流程雖然簡單，但對日常開發來說非常實用。你可以用自然語言描述你想要的操作，讓 apfel 生成命令，然後用管道把結果餵回去讓 apfel 分析。

OpenAI 相容伺服器

啟動伺服器模式：

$ apfel --serve
Server running on http://127.0.0.1:11434

然後任何 OpenAI 客戶端都可以替換使用：

from openai import OpenAI

# 只改 base_url 就好
client = OpenAI(
    base_url="http://localhost:11434/v1",
    api_key="unused"  # 不需要驗證
)

resp = client.chat.completions.create(
    model="apple-foundationmodel",
    messages=[{
        "role": "user",
        "content": "What is 1+1?"
    }],
)
print(resp.choices[0].message.content)

這意味著你可以把現有的應用程式、腳本、工具從 OpenAI API 切換到本地的 apfel，只需要改一行設定。

舉個例子，假設你有一個用 Python 寫的自動化腳本，原本用 OpenAI API 來摘要 Jira ticket。你可以把 base_url 從 https://api.openai.com/v1 改成 http://localhost:11434/v1，其他程式碼完全不用動。

這對既有專案的遷移特別友善。你不需要重寫整個應用程式，只需要改一個設定，就可以從雲端 AI 切換到本地 AI。

MCP 支援

apfel 原生支援 Model Context Protocol (MCP)，可以連結工具伺服器：

$ apfel --mcp ./mcp/calculator/server.py "What is 15 times 27?"
tool: multiply({"a": 15, "b": 27}) = 405
15 times 27 is 405.

MCP 讓 apfel 可以呼叫外部工具——計算器、API、資料庫，任何你能寫成伺服器的功能。這擴大了本機模型的應用範圍，讓它能處理需要外部資源的任務。

假設你在寫一個財務分析工具，需要從公司的資料庫查詢銷售數據，然後做分析。你可以寫一個 MCP 伺服器來連結資料庫，然後讓 apfel 透過 MCP 呼叫這個伺服器：

$ apfel --mcp ./database_server.py "What is our total revenue this month?"
tool: query({"sql": "SELECT SUM(revenue) FROM sales WHERE month = '2026-04'"}) = 150000
我們這個月總營收是 15 萬。

這讓 apfel 可以處理原本超過它能力範圍的任務，比如數學運算、資料庫查詢、API 呼叫。

互動式聊天

$ apfel --chat -s "You are a coding assistant"
Chat started. Type /quit to exit.

> 如何反轉一個 Python list？
你可以使用 list[::-1] 或 reversed() 方法：

聊天模式支援多輪對話，自動管理 context，提供五種修剪策略來處理 4K 的上下文視窗。這讓你可以在有限的視窗內進行較長的對話，而不需要手動管理 token 數量。

對於需要連續思考的任務，比如逐步除錯、程式碼重構，聊天模式特別有用。你可以讓 apfel 一步步引導你完成任務，而不是一次性要它給出完整答案。

限制與現實

apfel 不是完美解決方案，它有明確的限制：

4,096 tokens 上下文視窗

輸入加輸出總共 4,096 tokens，大約 3,000 字。這對單次任務、短對話、文字轉換足夠，但不適合長對話或處理大文件。

Apple 故意把視窗設得很小。為什麼？可能是為了降低硬體負擔，也可能是為了鼓勵使用更強大的雲端模型。

對開發者來說，這意味著你需要把任務拆成小步驟。你不能把整個程式碼庫丟進去讓 apfel 分析，你需要一個檔案一個檔案地處理。

舉個例子，假設你想讓 apfel 重構一個大型專案。你不能直接把所有檔案餵進去，你需要：

先讓 apfel 理解專案架構
然後讓它重構每個檔案
最後檢查整體的一致性

這雖然麻煩，但 apfel 的管道和 JSON 輸出讓這種自動化流程可行。你可以寫一個 script 來自動遍歷檔案，用 apfel 處理每個檔案，然後把結果整合起來。

模型能力有限

根據官方文件，apfel 的內建模型：

擅長：
– shell scripting
– 文字轉換和重組
– 分類任務
– 短摘要
– JSON 重構
– 翻譯

有限：
– 數學運算
– 事實回憶
– 長對話
– 複雜的程式碼生成

模型傾向於拒絕回答而不是產生幻覺。這是 Apple 的刻意設計——寧可說不知道，也不要亂編資料。

這意味著你不能期望 apfel 做複雜的程式碼重構、長篇文章寫作或深度研究。但對日常的程式開發、文字處理、自動化腳本，它已經足夠。

對台灣的開發者來說，apfel 的翻譯能力特別實用。它支援中文，可以快速在繁體、簡體、英文之間翻譯。雖然翻譯品質不如專業的翻譯服務，但對於程式碼註解、文件草稿、快速理解英文文章，已經足夠。

系統要求

apfel 需要：
– Apple Silicon (M1 或更新)
– macOS 26 (Tahoe) 或更新
– Apple Intelligence 啟用

如果還在用 Intel Mac 或較舊的 macOS 版本，apfel 無法使用。

這是最大的門檻。如果你的硬體不支援，你沒辦法用 apfel。對台灣的開發者來說，這意味著你可能需要升級 Mac。

但這也是 apfel 的優勢——它專注於一個明確的硬體平台，優化得很好。它不需要像 Ollama 那樣支援多種平台，不需要像 LM Studio 那樣支援多種模型，它可以專注在 Apple Silicon 的最佳化。

誰該用 apfel？

適合 apfel 的使用者：

開發者：需要 AI 輔助但不想付費訂閱，處理的任務大多是文字轉換、命令生成、短摘要。
隱私敏感的使用者：不想把程式碼、文件送到雲端，需要完全本地的 AI。
自動化愛好者：想把 AI 整合到 shell scripts 和工作流程，需要管道友好和 JSON 輸出。
預算有限的開發者：學生、初學者、個人專案，需要免費且夠用的 AI 工具。

不適合 apfel 的使用者：

需要長上下文的應用：處理大文件、長對話、複雜分析。
需要高準確度的任務：數學運算、事實查證、需要精確輸出的工作。
使用舊硬體的使用者：Intel Mac 或未升級到 macOS 26 的使用者。
需要強大模型的專業使用者：處理複雜的程式碼重構、長篇文章寫作、深度研究任務。

跟其他工具的比較

特性	apfel	Ollama	LM Studio	ChatGPT Plus
安裝複雜度	簡單 (1 指令)	中等	中等	簡單 (網頁)
模型選擇	1 個 (固定)	多個	多個	多個
上下文視窗	4K tokens	可變	可變	可變
本地運算	100%	100%	100%	0%
隱私	最高	高	高	低
成本	$0	$0 (硬體)	$0 (硬體)	$20/月
設定需求	macOS 26	多平台	多平台	網路

apfel 的定位很清楚：它不是要取代所有 AI 工具，而是為特定使用者提供特定需求的最佳解決方案。

Ollama 和 LM Studio 適合想要探索不同模型、需要更大上下文視窗的使用者。ChatGPT Plus 適合需要最強模型、不在意雲端的使用者。apfel 適合想要免費、本地、隱私優先、整合到工作流程的使用者。

如何開始使用？

1. 檢查系統要求

# 檢查 macOS 版本
$ sw_vers
ProductName:    macOS
ProductVersion: 26.0.0
BuildVersion:   26A369

# 檢查是否為 Apple Silicon
$ arch
arm64

如果你的 macOS 版本低於 26，你需要升級。如果你的架構是 x86_64（Intel），你需要換一台 Apple Silicon Mac 才能用 apfel。

2. 啟用 Apple Intelligence

前往「系統設定 > Apple Intelligence 與 Siri」，啟用 Apple Intelligence。這會下載內建的模型。

你不需要使用 Siri，只需要啟用它來讓模型下載。下載時間視你的網路速度而定，通常幾分鐘到幾十分鐘不等。

3. 安裝 apfel

$ brew install Arthur-Ficial/tap/apfel

如果你沒有 Homebrew，你需要先安裝它：

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

4. 測試

$ apfel "你好，世界"
你好！

如果是第一次使用，可能需要等待幾秒讓系統載入模型。

5. 探索功能

# 查看所有選項
$ apfel --help

# 啟動聊天模式
$ apfel --chat -s "You are a coding assistant"

# 啟動伺服器模式
$ apfel --serve

# 更新 apfel
$ apfel --update

開發與社群

apfel 是開源專案，使用 MIT 許可證，託管在 GitHub：

https://github.com/Arthur-Ficial/apfel

截至 2026 年 4 月 4 日，專案已經超過 1,500 顆 star，吸引了來自 Apple、Google、VMware、NVIDIA 和 Grafana 的工程師關注。

有趣的是，apfel 的共同維護者「Arthur Ficial」其實是一個 OpenClaw 實例，執行在 Anthropic 的 Claude Opus 上。這個專案本身就是用 Claude Code 和 Codex 開發的。

apfel 原本的目標是在 Apple Intelligence 上執行 OpenClaw（超級省 token 模式），但失敗了——因為 4K 的上下文視窗太小。但這個失敗讓作者發現，一個本地、快速、可腳本化、隨時可用、零設定、隱私優先的 LLM，其實非常強大、有趣且實用。

這個故事很有意思。apfel 的起源是「失敗的專案」，但這個失敗卻開啟了另一個可能性。這提醒我們，有時候最好的創意不是來自成功，而是來自失敗後的轉向。

社群反應

apfel 在 Hacker News 上引起了不少討論。有些開發者興奮地分享他們的使用案例：

用 apfel 自動化 git commit 訊息生成
用 apfel 快速翻譯文件成多種語言
用 apfel 為 shell scripts 生成說明文件
用 apfel 處理客戶服務的自動回覆

也有開發者提出疑慮：

4K 視窗太小，無法處理大型專案
模型能力有限，無法取代雲端 AI
只能在 macOS 26 上用，限制太大

這些反應都很合理。apfel 不是要解決所有問題，而是要解決特定問題。如果你需要長上下文或強大模型，apfel 不適合你。但如果你需要免費、本地、隱私優先、整合到工作流程的 AI，apfel 可能是你的最佳選擇。

未來展望

apfel 的出現讓我們看到一個新趨勢：AI 不是只有雲端。

Apple 從 iOS 18 開始推動 Apple Intelligence，把 AI 能力直接整合到裝置層級。這不僅是為了隱私和速度，更是為了降低使用者的使用門檻——不需要註冊帳號、不需要綁定信用卡、不需要懂 API，直接用。

apfel 把這個能力釋放出來，讓開發者可以用管道、HTTP、聊天各種方式接入。這意味著我們可以建立完全本地的 AI 工具鏈，把 AI 深度整合到日常工作流程，而不需要依賴任何雲端服務。

隨著硬體持續進步，本機 AI 的能力會越來越強。未來的 Apple Silicon 可能會有更大的 Neural Engine，可以跑更大的模型、更長的上下文視窗。到時候，本機 AI 可能真的可以取代大部分雲端 AI 的用途。

對台灣的開發社群來說，這個趨勢特別值得注意。台灣有許多中小企業和個人開發者，他們可能負擔不起昂貴的雲端 AI 訂閱，但需要 AI 來提升生產力。本機 AI 像是 apfel，提供了一個免費、高效、易用的選擇。

5 年後回頭看今天，我們會說什麼？是「當時太天真了，以為雲端 AI 就是全部」，還是「那時就該知道，本機 AI 才是未來」？這個問題現在沒有答案，但 apfel 讓我們開始想像那個可能性。

也許有一天，你的 AI 助手不是在雲端，而是在你的 Mac、你的手機、你的所有裝置裡。它們互相溝通、共享知識，但永遠不離開你的裝置。這是 apfel 讓我們看到的未來——一個完全本地、完全隱私、完全屬於你的 AI 未來。

結語

你的 Mac 裡，藏著一個免費的 AI。你不需要花錢訂閱，不需要綁定信用卡，不需要懂 API。只需要安裝 apfel，叫醒它。

這個 AI 不完美，但它足夠用。它可以幫你生成命令、翻譯文字、摘要文件、除錯程式。它完全本地、完全隱私、完全免費。

也許你已經付過錢買了這台 Mac，裡面就藏著一個免費的 AI——你只需要安裝 apfel，叫醒它。