macOS 27 fm 指令怎麼用？Mac 本機 AI、結構化輸出與雲端模式差異
macOS 27 fm 讓 Mac 直接從終端機呼叫 Apple Foundation Models。本文整理本機摘要、互動聊天與結構化輸出的入門方式，也說明 Private Cloud Compute、機型條件與自動整理檔案的界線。
想讓 Mac 幫忙整理一段文字，不一定要先寫完整應用程式。macOS 27 fm 是 Apple 提供的命令列工具，可以從終端機呼叫模型，所以也能接進原有腳本。
命令列就是用文字下達操作的介面。你可以送出一段問題，再把回答交給其他程式處理，因此 AI 生成的內容不必停留在聊天視窗。
這項工具在 WWDC26 已有官方介紹，2026 年 10 月又在 X 引起討論。這次關注的是既有功能的應用方式，並非十月才突然發布的新模型。
fm 可以使用裝置上的模型，也能明確選擇 Apple 的 Private Cloud Compute。後者會使用雲端運算，因此不能把所有 fm 工作都叫做完全離線。
對會用腳本的人來說，它值得先拿來測文字整理與分類。但若要讓分類結果直接移動檔案，仍應先核對輸出，因為符合格式的答案也可能判斷錯誤。
開始之前，最有用的準備是先弄清楚模型在哪裡執行。選擇本機或雲端，會影響可用能力與資料處理方式，也決定第一個測試該怎麼安排。
macOS 27 fm 是什麼，需要先安裝嗎？
fm 是 macOS 27 內建的工具，讓終端機與腳本能使用 Apple Foundation Models。這套名稱指 Apple 提供給開發者使用的模型能力，因此不用先做出圖形介面，也能嘗試送出提示。
依 Apple 的 WWDC26 官方教學，工具提供互動聊天與單次回答兩種基本方式。兩者都能協助測提示語，但使用情境不同。
如果想一邊問、一邊調整條件，可以從互動模式開始。因為對話有延續性，較容易觀察模型是否理解前一次提出的限制，而不用每次把所有內容重新貼上。
如果腳本只需要一次回答，單次模式較容易接到其他程式。程式可以取得輸出，再決定顯示、儲存或進一步處理，因此比較適合固定流程。
不過，系統有這個工具，不代表每台 Mac、每種語言與每個地區都一定具備相同模型能力。實際可用性仍須依 Apple Intelligence 與框架要求確認，不能只看系統版本名稱。
Apple 也提供 Foundation Models framework 說明。若你的目標是把功能加入應用程式，框架會比單獨的終端機示範更接近正式整合需求。
初學者可以先用一小段自行撰寫的文字測試摘要。因為輸入與預期結果都容易核對，能先熟悉工具，再決定是否把它放進工作流程。
本機模型與 Private Cloud Compute 怎麼選？
本機模式把運算放在裝置上，Private Cloud Compute 則使用 Apple 的雲端模型服務。兩者的差異關係到資料在哪裡處理，所以選模型應是明確決定，不能只憑「這在 Mac 上執行」就判斷。
官方展示在單次要求中加入 --model pcc，切換到 Private Cloud Compute。因為這是一個可選的模型參數，所以腳本的設定會影響實際處理路徑。
例如，同一個文字需求可以送給不同模型，但回答品質與支援輸入不必相同。因此，測試時應記錄使用哪種模式，才能比較提示語修改是否有效。
以下把入門時最容易混淆的選擇放在一起，方便對照用途。
| 選擇 | 運算位置或用途 | 測試時要核對的內容 |
|---|---|---|
| 裝置上的模型 | 在 Mac 使用可用的本機能力 | 系統與機型可用性、回答是否符合任務 |
| Private Cloud Compute | 透過明確參數選用雲端模型 | 雲端處理是否符合工作要求、輸入支援 |
| Python SDK | 用 Python 程式呼叫框架能力 | 開發環境與套件條件、評測資料 |
表格中的 Python SDK 是另一個程式入口，並不是第三種模型。因此，語言工具與模型位置需要分開判斷，才不會把「用 Python」誤當成「一定在雲端」。
這個區分也影響團隊紀錄。若一份提示語測試沒有保留模型選項，後來的結果就很難重現，因為差異可能來自執行模式，而不只是文字改寫。
延伸閱讀：Perplexity Lily 是什麼？開源 Apple silicon 本機 AI 引擎，效能、限制與適合對象一次看
fm respond 與 fm chat 各適合什麼工作？
fm respond 適合把一次問題交給模型，取得結果後交回腳本。因為呼叫與輸出都很明確，適合先拿來做摘要、文字分類或提示語實驗。
官方示例用它產生程式片段，也展示影像輸入與模型選項的組合。但這些例子說明的是工具用法，不能直接保證模型產生的程式在任何資料上都正確。
例如，請模型整理檔名，可以先讓它只回傳分類建議。這樣即使結果有誤，也能在顯示清單時發現，而不會立即改變原本檔案的位置。
fm chat 則適合互動嘗試。當第一次回答不合用時，可以補充條件、比較新的回答，因此更接近對話式的提示語設計過程。
官方也介紹保存對話並於之後恢復的方式。這對反覆調整同一個需求有幫助，但保存了工作內容，仍不代表每次回答都會一致，因此有重要條件時仍需核對。
如果不知道參數如何使用，可以從工具的說明開始。先確認目前安裝版本接受的選項，再組合腳本，因為網路轉貼的片段可能省略前置條件。
用熟基本模式後，下一個問題通常是輸出怎麼交給程式。自由文字適合閱讀，但若後續程式需要固定欄位，就要使用結構化輸出。
第一個小測試可以怎麼下指令？
你可以先在終端機輸入 fm，查看可用命令，再用 fm respond "請將這段文字整理成兩句摘要：今天討論下週活動，場地已確認，講者名單仍在整理。" 測試一段自寫文字。
這個範例的重點是確認工具有回傳內容，而不是測完整工作流程。先核對摘要是否保留「場地已確認」與「名單仍在整理」的不同狀態，因為漏掉其中一個，就可能改變讀者理解。
接著用 fm chat 開始對話，要求補充或縮短同一段摘要。因為修改仍在同一個小任務中，比較容易看出模型是否把新要求套對，而不用同時排查檔案與程式問題。
若要試雲端模式，官方示範可以在要求中加入 --model pcc。但 Private Cloud Compute 有使用限制，因此團隊在安排大量工作前，仍需核對實際可用條件，不能把示範看成無限量服務。
測完之後，也可以保留輸入文字、執行模式與回答作紀錄。因為這份紀錄能讓你重看哪些資訊被漏掉，之後改提示語時，就能用相同例子比較，而不只是憑印象判斷。
結構化輸出為何不等於分類一定正確？
結構化輸出讓回答符合指定欄位，方便程式讀取。JSON 是常見的資料格式，可以把文字清單放在固定名稱底下，因此腳本不必從一段說明文中猜出答案。
Apple 示範用 fm schema object 建立格式，再把格式交給 fm respond。Schema 就是描述欄位與型態的規則，讓模型知道應回傳什麼形狀的資料。
例如，官方的檔案整理案例要求回傳定稿與草稿兩組檔名。因為程式知道兩個清單的欄位名稱，就能把分類與後續檔案操作接起來。
但格式只處理「回答長什麼樣子」，不會自動證明「答案選得對」。如果檔名本身不清楚，模型仍可能把舊稿列進定稿清單，只是用正確 JSON 回傳。
因此，第一次接流程時，可以把欄位內容列印出來，逐一對照實際檔案。這個步驟能分清格式解析是否成功，以及分類判斷是否符合你的工作規則。
接著再測不容易分類的情況，例如兩個檔名都寫 final。因為這種情境需要額外的版本依據，單靠檔名無法可靠決定哪個才是最新內容。
若工作規則無法從輸入得知，就應補充資料或保留人工決定。讓模型回傳一份清單很容易，但可靠的流程需要知道什麼時候不能直接採用那份清單。
官方整理檔案示例可以如何拆開理解？
官方案例把模型判斷與程式動作連在一起，展示 AI 能進入自動化腳本。先理解這兩部分各做什麼，才能知道改寫時應保留哪些檢查。
腳本先取得工作資料夾裡的檔名，再請模型區分草稿與定稿。因為模型收到的是檔名清單，所以這裡的能力是依提供資訊推測分類，並不是已讀完每個文件。
接著，程式把定稿複製到備份位置，把草稿移至歸檔位置。這些實際動作由腳本執行，因此一旦分類被採用，錯誤就會從文字回答變成檔案變動。
如果要套用到自己的工作，可以先把實際複製與移動改成輸出計畫。讓畫面列出來源、目的地與動作，因為這些資訊能直接顯示結果是否符合期待。
再用一份少量測試檔案執行，確認同名檔案與目的地的處理方式。這是讓示範適應自己的檔案規則，而不是假設官方示例已涵蓋每個工作場景。
當分類需要內容或修改時間，也要把所需資訊明確提供。因為模型看不到輸入以外的證據，所以多加一句「找最新版本」，不會自動讓它取得真正的版本歷史。
這個例子最值得學的是流程的接法。模型負責提出依據輸入得到的判斷，腳本負責執行動作，而使用者需要決定何種證據足以讓兩者直接串接。
Python SDK 如何幫忙找出提示語問題？
Python SDK 適合想用程式反覆測試提示語的人。SDK 是協助呼叫功能的程式工具組，因此可以把同一批輸入送給不同提示語，再比較結果。
Apple 教學列出的 SDK 安裝條件包含 Python 3.10 以上、Xcode 與 Apple Silicon Mac。這些是該 Python 開發入口的條件，不能因此說所有 fm 使用者都要先完成同一套安裝。
官方以購物車建議為例，準備不同詳盡程度的提示語，再測模型是否多加商品、漏掉商品或編出不需要的項目。因為每種錯誤意義不同，單看回答流暢並不足夠。
教學也展示，較詳細的提示語可能減少某些問題，卻增加其他問題。因此，提示寫得更長並不保證全面改善，還需要對照生成錯誤與任務結果。
這種評測可以從自己的少量真實案例開始。先寫出每題應有的結果與不能出現的內容，因為沒有期待答案，就很難判斷改版到底進步了什麼。
如果用另一個模型評分，也要知道評分模型本身可能有偏差。重要案例仍應回到輸入核對，才能避免兩個模型一起接受同一個錯誤。
官方還展示把輸入、預期輸出、模型回答與評分放在同一份資料表。因為每列都能回溯到原始問題，所以看到圖表某一類錯誤增加時，也能找到對應案例重新檢查。
這比只保留漂亮的結果截圖更適合迭代。當提示語修改後，可以重新跑同一批案例，確認進步來自相同條件的比較，再逐步加入新的問題類型。
延伸閱讀：Google AI Edge Foresight 是什麼？Mac 離線會議筆記與隱私重點
FAQ 常見問題
macOS 27 fm 是十月才發布的工具嗎？
不是。Apple 已在 WWDC26 官方教學介紹，十月的 X 貼文讓這項用法再次受到關注。文章把教學發布與社群討論的時間分開。
使用 fm 就一定不會把資料送到雲端嗎？
不一定。工具可選用裝置模型，也有明確選擇 Private Cloud Compute 的方式，因此需要查看實際模型參數與可用性。
有 JSON 格式，是否就能直接整理正式檔案？
格式正確不代表分類正確。建議先查看操作計畫，確認分類與目的地，再用少量副本測試實際動作。
先完成一個可核對的文字任務，再接自動化
fm 適合已經會用終端機、想把模型接入小型文字工作的 Mac 使用者。第一個任務可以是摘要或檔名分類建議，因為這類結果能直接與輸入比較，也較容易找出提示語的不足。
等模型選擇、格式與內容都確認後，再考慮接檔案操作。你也可以免費訂閱 AI 郵報，持續追蹤本機 AI、開發工具與實際工作流程的更新。
