🧠 brainOS 💼13 的 brainOS：在家工作如何切換上下班模式 在家工作者則需要刻意進行轉換，否則長期下來會破壞休息品質與心理健康。本文分享我打造自己「工作模式 sandbox」的機制與小技巧，有利於心理層面的下班休息。
🧠 brainOS 😎13 的 brainOS：我不想知道 AI 工具的使用量 用 CodexBar 這種工具來監控 Token 消耗量，藉此調整自己的工作步調，似乎再合理也不過，但是我用起來總有一種「沒把上限用完就是浪費」的被迫工作感。
🧠 brainOS 🧠13 的 brainOS：開發日誌之 GPT-5.2-Codex 認真用 從 Cursor 到 Claude Code，再到 Codex（GPT-5.2-Codex），都在更新我對 AI 工具能力的認知。我列舉了幾個在短時間把全專案翻修或重寫的例子。然而最重要的還是，我們想做什麼？
🧠 brainOS 🌋13 的 brainOS：其實你不是在拖延，而是在載入中 我並不是無情的工作機器，反而常常拖延。但是我懂得給自己夠多的「載入時間」與方法來進入工作狀況，不會自責在浪費時間不去面對。
🧠 brainOS 🧠13 的 brainOS：借用軟體工程概念談思考 介紹 2026 年 1 月的全新專題：在 AI 越來越聰明的時代，去了解自己如何思考，是每個人最值得思考的問題。而為了拆解自己的思考，我打算借用軟體工程概念，來幫助讀者理解。這會是我寫過最特別的一系列文章。
📲 本地 AI ↩️iOS 本地 AI：連載一個月的實戰心得回顧 Foundation Models framework 大幅降低了 iOS 開發者使用離線 LLM 的門檻。關鍵還是開發者有沒有找到適合幫 App 加分的用法。
📲 本地 AI ❎iOS 本地 AI：用 AnyLanguageModel 加 MLX 跑開源模型 AnyLanguageModel 讓 Hugging Face 上的開源 LLM 很容易下載與開始使用，只要三行程式碼就可以呼叫 MLX 框架以及配套工具。我也更新了範例專案，可以直接在 Mac 與 iOS 裝置上試玩。
📲 本地 AI 🚜iOS 本地 AI：用 LM Studio 把 AnyLanguageModel 接上本地 LLM 我們發現 AnyLanguageModel 還沒有 100% 實現 Foundation Models framework 的功能，但我們已經可以透過它替換成其他模型。本文以 LM Studio 的伺服器功能，讓 App 可以去呼叫 Mac 上的開源 LLM，生成結果。
📲 本地 AI 🚥iOS 本地 AI：利用 Swift Package Traits 切換使用 AnyLanguageModel 分享兩個踩坑 AnyLanguageModel 過程中實際遇到的問題與解法。一個我發了熱騰騰的 PR，另一個則是借用相同的 Swift Package 機制來實現切換依賴模組。
📲 本地 AI 🕳️iOS 本地 AI：準備踩坑 AnyLanguageModel AnyLanguageModel 是相容 Foundation Models framework 語法的模型替換套件。理想上能輕鬆替換 Apple Intelligence 的 Foundation Models，換成第三方開源本地模型，或是 OpenAI 等雲端模型。實際狀況如何呢？我們要從這篇文章開始準備踩坑。
📲 本地 AI 📗iOS 本地 AI：Foundation Models framework 延伸資料 本系列關於 Foundation Models framework 的相關文章即將完結。說明有哪些延伸探索的方向、各種參考資源，並預告把目前所學遷移到其他語言模型。
📲 本地 AI ⏱️iOS 本地 AI：衡量 Foundation Models 效能的策略 開發裝置端 AI 功能，測量效能是必要工作。首先介紹 Instruments 如何上手，觀察效能瓶頸。而為了能支援重複測試任意的 @Generable 型別，我寫了一個 SwiftUI View 作為工具，讓你可以快速把要生成的物件與畫面整合起來。
📲 本地 AI 🆙iOS 本地 AI：Foundation Models 的限制、錯誤與 UX 設計技巧 介紹一些提升使用者體驗的方向，把 context window、guardrail 等重要議題視為使用者體驗設計的一環，並整理各種可能發生的錯誤。妥善處理錯誤，就是提升體驗的機會。
📲 本地 AI 🧮iOS 本地 AI：Foundation Models 的 Tool Calling，真正的問題是什麼時候該用 語言模型雖然有很多知識，但沒有即時資訊，也不擅長數學計算。如果需要存取模型以外的資訊或運算，我們可以提供呼叫外部的工具。不過，重點是判斷什麼情況才該使用。
📲 本地 AI 🛝iOS 本地 AI：不讓使用者乾等，Foundation Models 的 Stream Response 能輕鬆實現漸進式使用者體驗 為了不讓使用者等待，App 應該漸進地顯示生成的結果。但是，為了達到這個目的，你願意自行拼湊並解析 LLM 吐出過程中的不完整 JSON 字串嗎？太痛苦了。Foundation Models framework 提供給開發者十分優雅的方式避開這個麻煩，而且能直接沿用先前文章已學過的語法。
📲 本地 AI 🚦iOS 本地 AI：用 PromptBuilder 動態組合 Foundation Models 的 Prompt 既然 Foundation Models framework 具備結構化輸出的功能，那麼輸入提示詞有沒有類似的機制？有的，Apple 提供了 PromptBuilder，讓開發者輕鬆依照程式條件來調整 prompt，並且能與結構化輸出的 Generable protocol 整合。
📲 本地 AI 🍱iOS 本地 AI：用 Structured Output 功能讓 Foundation Models 回傳你想要的型別 就像從 App 端直接定義 Server 回傳的 JSON schema。
📲 本地 AI 🉑iOS 本地 AI：Foundation Models 的 Availability 與 Instructions 介紹 Foundation Models 的模型 Availability 檢查方式、使用與研究 Instructions 的方式，並且推薦 Apple 官方教材。
📲 本地 AI ✍️iOS 本地 AI：上手 Foundation Models 的學習策略 身為 App 開發者，對於 Apple 的 LLM 的視角是「我要怎麼了解它的能力」、「它可以幫 App 的使用者體驗強化哪些層面」，而不是研究 AI 模型。從本文開始，我不僅會介紹 Foundation Models，更會教你建立有效的學習系統與策略。
📲 本地 AI 🍎iOS 本地 AI：開發者的 Apple Intelligence 必要知識 在入坑 Foundation Models 以前，我們要了解 Apple Intelligence 的基本知識。可以當作在 Apple 平台上開發本地 AI 應用的體驗參考標準，也能觀察到 Apple 怎麼使用混合策略來提供各種 AI 功能。