大语言模型 (LLM) 已成为构建现代软件不可或缺的工具。 但对于 Apple 平台的开发者来说，集成这些模型仍然不够友好。
在开发 AI 驱动的应用时，开发者通常采用混合方案，比如：
-
使用 Core ML 或 MLX 运行本地模型，提升隐私性并支持离线运行
-
通过 OpenAI、Anthropic 等云服务获取先进模型能力
-
使用 Apple 的 Foundation Models 作为系统级的默认模型
但每种方案都有各自不同的 API、配置要求和集成方式，开发门槛高、整合成本大。 我在采访开发者时，模型集成的困难几乎是所有人都提到的问题。 一位开发者直言不讳地说：
我本来想随便跑个 demo 测试一下，快速做个雏形， 没想到浪费了这么多时间，搞得我头都大了。
高昂的尝试成本阻碍了开发者发现：其实本地开源模型就能很好地满足很多场景需求。
现在我们发布了AnyLanguageModel， 这是一个 Swift 包，可作为 Apple Foundation Models 框架的直接替代， 同时支持多个模型服务商。我们的目标是：
- AnyLanguageModelhttps://github.com/mattt/AnyLanguageModel
-
降低在 Apple 平台上使用 LLM 的难度
-
鼓励开发者采用可本地运行的开源模型
解决方案：只需替换 import，API 保持不变
核心理念很简单：只需替换导入语句，原有代码几乎不用改。
go
- import FoundationModels
+ import AnyLanguageModel实战示例如下： 先来看 Apple 内置模型的用法：
go
let model = SystemLanguageModel.default
let session = LanguageModelSession(model: model)
let response = try await session.respond(to: "Explain quantum computing in one sentence")
print(response.content)然后用 MLX 本地运行的开源模型 (如 Qwen) ：
go
let model = MLXLanguageModel(modelId: "mlx-community/Qwen3-4B-4bit")
let session = LanguageModelSession(model: model)
let response = try await session.respond(to: "Explain quantum computing in one sentence")
print(response.content)AnyLanguageModel 支持多种模型提供商，包括：
-
Apple Foundation Models：原生集成 Apple 的系统模型 (支持 macOS 26+ / iOS 26+)
-
Core ML：通过神经引擎加速运行已转换的本地模型
-
MLX：在 Apple Silicon 上高效运行量化模型
-
llama.cpp：通过 llama.cpp 后端加载 GGUF 格式模型
-
Ollama：通过 Ollama 的 HTTP API 连接本地模型服务
-
OpenAI、Anthropic、Google Gemini：云端模型服务商，便于对比和兜底
-
Hugging Face Inference Providers：支持数百个云端模型，由业界领先的推理服务商提供计算支持
我们特别关注本地模型，建议通过Hugging Face Hub下载使用。 当然，也保留云服务选项，降低上手门槛，并为迁移提供路径："先跑起来，再优化。"
- Hugging Face Hubhttps://hf.co/docs/hub/
为什么以 Foundation Models 作为基础 API？
我们在设计 AnyLanguageModel 时，面临一个选择：
-
是重新设计一套抽象？
-
还是基于已有的 API 构建？
我们选择后者，以 Apple 推出的Foundation Models 框架为模板。
- Foundation Models 框架https://developer.apple.com/documentation/FoundationModels
这看起来可能有点反直觉------为什么要绑定 Apple 的设计？ 但我们有几个理由：
-
Foundation Models 的 API 设计真的很棒。 它充分利用了 Swift 的特性，比如宏，开发体验优秀； 它的抽象 (如会话、工具、生成等) 也高度契合 LLM 的使用方式。
-
它的功能是有意做了限制的。 Foundation Models 可以看作是大语言模型能力的"最小公分母"。 我们并不认为这是缺点，反而把它当作一个稳定的基础 (嘿嘿) 。 几乎所有面向 Apple 平台的 Swift 开发者都需要接触这套 API， 直接在它之上构建，可以大大减少理解和上手成本。
-
它让我们保持专注。 每多加一层抽象，就会让你离实际问题更远。 抽象固然有用，但叠加太多，反而会带来新的复杂性。
最终的好处是：在不同模型服务商之间切换时，代码几乎不用改； 而且核心抽象干净、统一、可预测。
包的可选特性：按需加载，避免依赖臃肿
多后端的库常常会出现依赖太多的问题。 比如你只想跑 MLX 模型，却不得不引入 llama.cpp 及其庞大依赖。
**AnyLanguageModel 使用 Swift 6.1 的包特性 (Package Traits) 解决这一问题。**你可以按需引入需要的后端支持：
go
dependencies: [
.package(
url: "https://github.com/mattt/AnyLanguageModel.git",
from: "0.4.0",
traits: ["MLX"] // Pull in MLX dependencies only
)
]支持的 traits 包括：CoreML、MLX、Llama (支持 llama.cpp 和llama.swift) 默认情况下，只包含基础 API 和云服务支持，不引入重依赖，后者仅依赖标准的 URLSession 网络请求。
- llama.swifthttps://github.com/mattt/llama.swift
对于 Xcode 项目 (目前还不支持直接声明 trait) ， 你可以创建一个内部的 Swift 包，指定所需 trait 依赖 AnyLanguageModel， 然后将这个包作为本地依赖添加到你的项目中。 具体操作方法可以参考README中的详细说明。
- READMEhttps://github.com/mattt/AnyLanguageModel#using-traits-in-xcode-projects
图像支持 (以及 API 设计的权衡)
视觉语言模型如今非常强大且广泛应用。 它们可以对图片进行描述、从截图中提取文字、分析图表，甚至可以回答与图片内容相关的问题。 但遗憾的是，Apple 的 Foundation Models 框架目前还不支持在 prompt 中发送图片。
基于已有 API 进行开发，就意味着要接受它的限制。 Apple 未来大概率会在后续版本 (也许 iOS 27？) 加入图像支持， 但视觉语言模型实在太实用了，等不了那么久。 因此，我们在现有 Foundation Models 的基础上进行了扩展，提供了更多功能。
例如，下面是发送图片给 Claude 的代码：
go
let model = AnthropicLanguageModel(
apiKey: ProcessInfo.processInfo.environment["ANTHROPIC_API_KEY"]!,
model: "claude-sonnet-4-5-20250929"
)
let session = LanguageModelSession(model: model)
let response = try await session.respond(
to: "What's in this image?",
image: .init(url: URL(fileURLWithPath: "/path/to/image.png"))
)我们在这里做了有意识的取舍， 也许我们现在的设计将来会和 Apple 官方的实现产生冲突， 但这正是废弃警告 (deprecation warnings) 存在的意义。 有时候，你必须为"还不存在的框架"提前设计好 API。
快速体验：chat-ui-swift 应用示例
想要直观体验 AnyLanguageModel 的实际效果， 可以试用chat-ui-swift这个 SwiftUI 聊天应用， 它完整展示了该库的各种功能。
- chat-ui-swifthttps://github.com/mattt/chat-ui-swift
这个应用包含：
-
通过 Foundation Models 集成 Apple Intelligence (支持 macOS 26+)
-
支持 Hugging Face OAuth 登录，访问受限模型
-
支持流式响应
-
支持聊天记录持久化
这个项目是一个起点： 你可以 fork 它、扩展它、替换不同的模型， 了解各个模块如何协作，并根据自己的需求进行定制。
下一步计划
AnyLanguageModel 当前版本仍为 pre-1.0。 核心 API 已稳定， 但我们仍在努力将 Foundation Models 的全部特性引入到所有适配器中，包括：
-
工具调用 (Tool calling) ：适配所有模型服务商
-
MCP 集成 (MCP integration) ，用于工具调用与引导
-
结构化输出的引导生成 (Guided generation)
-
本地推理的性能优化
这个库只是迈向更大目标的第一步。 统一的推理 API 能为 Apple 平台上的智能代理类应用打下基础------ 让模型能够调用工具、访问系统资源、完成复杂任务。 更多内容，敬请期待。🤫
一起参与进来
我们非常欢迎你来一起完善这个项目：
-
试用它 ------ 实际开发点什么，体验下功能
-
分享你的反馈 ------ 哪些地方顺手？哪些有痛点？我们很想听听你在集成 AI 到应用时遇到的挑战
-
提交 issue ------ 不管是功能建议、Bug 报告还是技术问题都欢迎
-
参与贡献 ------ 欢迎提交 PR
链接汇总
-
AnyLanguageModel on GitHub
-
chat-ui-swift on GitHub
-
AnyLanguageModel on GitHubhttps://github.com/mattt/AnyLanguageModel
-
chat-ui-swift on GitHubhttps://github.com/mattt/chat-ui-swift
我们期待看到你能用它打造出什么精彩作品 🦾
英文原文: https://huggingface.co/blog/anylanguagemodel
原文作者: Mattt
译者: Luke, Hugging Face Fellow