把 Apple Foundation Models 從 app API 變成 terminal + Python workflow
這場 session 說明 macOS 27 新增的 fm command line tool 與 Foundation Models SDK for Python：同一套 guided generation、tool calling 與結構化輸出，現在可進入 shell automation、Jupyter 與 evaluation pipeline。
Apple 不是只把 Foundation Models 多包一層語言 binding，而是把「提示測試、檔案自動化、結構化輸出、品質評估」拉進開發者每天會用的 Terminal 與 Python 分析流程。
這支影片在拆三個 Foundation Models 落地問題
不用重建 Xcode 專案也能試 prompt
fm chat 與 fm respond 讓開發者直接在 Terminal 測 on-device model 或 Private Cloud Compute model，適合快速比較 prompt、保留對話與做一次性任務。
structured output 讓 shell script 可相信結果格式
影片示範用 fm schema object 定義輸出 schema，再讓模型把資料夾檔案分成 final / draft。重點不是整理檔案本身，而是 LLM 結果能回到可機械處理的 JSON。
ML 與資料分析 workflow 不必繞回 Swift
Foundation Models SDK for Python 支援文字與圖片輸入、streaming、tool calling、guided generation，讓熟悉 Pandas、Jupyter、matplotlib 的團隊能直接做 prototype 與分析。
prompt 要用 evaluation pipeline 驗證
cart completion case study 用三個 prompt implementation 產生結果，再用 server judge model 針對多餘項目、遺漏項目與 hallucination 評分，最後用圖表輔助決策。
從「手動問模型」到「可重跑實驗」的導入路徑
先用 fm chat 找出模型行為邊界
在 Terminal 裡測 prompt、追問、切換 model，確認 on-device model 是否足夠；複雜任務再考慮 Private Cloud Compute，但要注意 usage limits。
把一次性 prompt 改成 fm respond
需要進入 shell script 時，用 inline response 取代互動對話；若後續要搬檔、建檔或呼叫其他工具，輸出格式就要先收斂。
用 schema 固定輸出契約
不要讓 shell 靠文字猜測模型結果。用 schema 描述欄位，例如 final files 與 draft files，讓回傳結果能被 script 明確解析。
進入 Python SDK 做工具與結構化 generation
在 prototype 裡建立 session、提供 tools 讀取 app context，並用 generable 型別把模型輸出轉成可驗證資料結構。
用 dataset + judge + 圖表做 prompt 迭代
把候選 prompt 放進同一批資料跑分，將 excess、missing、hallucination 等錯誤分開看。這比憑單次 demo 感覺調 prompt 更可靠。
實務啟發：fm CLI 是開發內迴圈，不是產品功能
這支影片最值得收的是 workflow 定位：fm 適合讓開發者快速測試與自動化本機任務，但正式 app 仍應思考 Foundation Models framework 的可用性、隱私、model profile、錯誤處理與 UI fallback。
fm respond、fm schema object、Python LanguageModelSession、tool calling、guided generation、structured output、server judge model。fm 是本機工具鏈，CI 與非 macOS 環境不可假設可用。風險與測試清單
如果把 fm 放進團隊腳本，至少要測三件事：輸出 schema invalid 時如何停止、on-device / Private Cloud Compute 模型切換是否改變品質、以及敏感資料是否被送進不該使用的模型路徑。
如果使用 Python SDK 做 evaluation，則要把資料集、judge prompt、score dimensions 與聚合方式版本化。否則 prompt 變好或變壞，很容易只是 judge drift 或資料抽樣造成的假象。
- 01macOS 27 的
fm把 Foundation Models 帶進 Terminal，適合 prompt exploration、inline scripting 與 structured output。 - 02Python SDK 讓 ML / data workflow 直接使用 Apple Foundation Models，包含 tool calling 與 guided generation。
- 03影片的核心路徑是：先用 CLI 找行為，再用 schema 固定契約，最後用 Python evaluation pipeline 驗證 prompt 品質。