Apple Developer·2026-06-08チュートリアル長期有効

読了17分

#AIエージェント#ローカルAI#Appleシリコン#MLX

WWDC26: MLXを使ってMac上でローカルエージェンティックAIを実行する | Apple

原題: WWDC26: Run local agentic AI on the Mac using MLX | Apple

要点: Mac（Mac）上でApple（アップル）シリコンを活用するMLX（エムエルエックス）を使うことで、プライバシー、低遅延、オフラインアクセスが可能なローカルAI（AI）エージェントワークフローを構築・実行できる。これにより、クラウドやAPI（エーピーアイ）キーに依存せず、強力なエージェントワークフローを完全にデバイス上で実現する。

一行要約

このチュートリアルは、Apple（アップル）シリコンを搭載したMac（Mac）上で、MLX（エムエルエックス）フレームワークを使ってローカルAI（AI）エージェントを3ステップでセットアップし、プライバシーとパフォーマンスを両立した開発ワークフローを構築する方法を教える。

核心インサイト

AI（AI）エージェントは、モデルと連携して次の行動を決定し、ツールを呼び出してタスクを実行する「エージェンティックループ」を通じて動作する。このループは、ユーザー、エージェント、モデル、ツール間で繰り返され、タスクが完了するまでサイクルが継続する。

Apple（アップル）シリコンを搭載したMac（Mac）では、このエージェンティックループ全体をデバイス上でローカルに実行できる。これにより、データはデバイス上に留まり、AI（AI）はいつでもどこでも利用可能で、使用コストもかからないというメリットがある。

ローカルエージェンティックAI（AI）スタックは、Apple（アップル）シリコン向けに設計されたオープンソースのアレイフレームワークであるMLX（エムエルエックス）を基盤とする。その上にMLX-LM（エムエルエックス・エルエム）が言語モデルを、OpenAI（オープンエーアイ）互換のMLX-LM Server（エムエルエックス・エルエム・サーバー）がモデルを標準API（エーピーアイ）で公開し、最上位にエージェント本体（OpenCode（オープンコード）など）が位置する。

MLX（エムエルエックス）は、Apple（アップル）シリコンのM5チップに搭載された専用のNeural Accelerator（ニューラル・アクセラレーター）を活用し、プロンプト処理を最大4倍高速化する。これにより、エージェントはコードベースの読み込みやツール結果の処理を劇的に速く行える。

MLX-LM Server（エムエルエックス・エルエム・サーバー）は、継続的バッチ処理により、複数のサブエージェントからのリクエストを動的にバッチにグループ化してGPU（ジーピーユー）上でまとめて処理する。これにより、すべてのリクエストが並行してサービスを受けられ、エージェンティックワークフロー全体のパフォーマンスが向上する。

MLX（エムエルエックス）の分散サポートにより、Thunderbolt（サンダーボルト）やEthernet（イーサネット）経由で接続した複数のMac（Mac）にモデルを分散できる。これにより、1台のマシンでは動かせない大規模なモデルの実行や、デバイスをまたいだプロンプト処理の並列化が可能になる。

ローカルエージェントのセットアップは、pip install mlx-lmでMLX-LM（エムエルエックス・エルエム）をインストールし、ツール呼び出し対応モデルでmlx_lm.serverを実行してサーバーを起動する。その後、エージェントフレームワークのbase URL（ベース・ユーアールエル）をローカルサーバーのアドレスに向けるという3ステップで非常に簡単に行える。

実演デモでは、エージェントが空のXcode（エックスコード）プロジェクトからSwiftUI（スウィフトユーアイ）描画アプリをゼロから構築し、さらに既存のバグを修正する様子が示された。これは、ローカルAI（AI）が強力なコーディング支援能力を持ち、既存のXcode（エックスコード）開発ワークフローにシームレスに統合できることを強調している。

事前準備物

Apple（アップル）シリコンを搭載したMac（Mac）デバイス
Python（パイソン）環境（pip（ピップ）が利用可能であること）
基本的なターミナル操作の知識
（オプション）GitHub CLI（ギットハブ・シーエルアイ）やXcode（エックスコード）など、エージェントが利用する開発ツール

ローカルエージェンティックAI（AI）スタックの構成

03:45では、Mac（Mac）上で実行されるローカルエージェンティックAI（AI）スタックの全体像が示されています。このスタックは以下の4層で構成されています。

レイヤー	役割	備考
MLX（エムエルエックス）	Apple（アップル）シリコン向けに最適化されたオープンソースのアレイフレームワーク	利用可能なハードウェアに最適なカーネルを自動選択する
MLX-LM（エムエルエックス・エルエム）	HuggingFace（ハギングフェイス）の数千のモデルをサポートする言語モデルレイヤー	モデルのロード、実行、量子化、ファインチューニングなどが可能
MLX-LM Server（エムエルエックス・エルエム・サーバー）	OpenAI（オープンエーアイ）互換のHTTP（エイチティーティーピー）サーバー	構造化ツール呼び出しとリーズニングモデルをサポート
Agent（エージェント）	OpenCode（オープンコード）やXcode（エックスコード）など、タスクを自律実行するエージェント本体	OpenAI（オープンエーアイ）のchat completion（チャット・コンプリーション）プロトコルに対応

MLX（エムエルエックス）は、Ollama（オラマ）、LM Studio（エルエム・スタジオ）、vLLM（ヴィーエルエルエム）など人気の高いアプリの基盤としても使われています。

視覚資料: 「Local Agentic AI Stack on Mac（Mac上のローカルエージェンティックAIスタック）」という… — 4:00 ▶

段階別手順

Step 1: MLX-LM（エムエルエックス・エルエム）のインストール

07:15 から、最初のステップとしてMLX-LM（エムエルエックス・エルエム）のインストールが紹介されています。

MLX-LM（エムエルエックス・エルエム）は、HuggingFace（ハギングフェイス）の何千ものモデルをサポートするオープンソースの言語モデルレイヤーです。pip install mlx-lm コマンドをPython（パイソン）環境で実行するだけで、必要なライブラリとツールがすべてインストールされます。これにより、モデルのロード、実行、量子化、ファインチューニングなどの機能が利用可能になります。

pip install mlx-lm

このコマンドを実行するだけで、ローカルエージェントに必要な基礎が整います。

Python（パイソン）環境が適切に設定されていることを確認してください。

Step 2: MLX-LM Server（エムエルエックス・エルエム・サーバー）の起動

07:25 で、次のステップとしてMLX-LM Server（エムエルエックス・エルエム・サーバー）の起動方法が解説されます。

インストールしたMLX-LM（エムエルエックス・エルエム）を使って、OpenAI（オープンエーアイ）互換のHTTP（エイチティーティーピー）サーバーを起動します。これは、ローカルでロードされたモデルを標準API（エーピーアイ）を通じて公開する役割を果たすものです。mlx_lm.server --model <モデル名> コマンドで起動し、特にツール呼び出しをサポートするモデル（例: Mistral-7B-Instruct-v0.2（ミストラル・セブンビー・インストラクト・ブイゼロドットツー））を選択することが推奨されます。サーバーが起動すると、ローカルホストでリクエストを受け付ける準備ができます。

mlx_lm.server --model Mistral-7B-Instruct-v0.2 --port 8080

--port オプションでポート番号を指定でき、デフォルトでは8080（ハチマルハチマル）が使われます。

最初に小さなモデルから始めて、サーバーが正しく動作するかテストするのが良いでしょう。--port オプションでポート番号を指定できます（例: 8080）。

Step 3: エージェントをローカルサーバーに向ける

07:45 から、最終ステップとしてエージェントの設定が説明されます。

ほとんどのエージェントフレームワーク（例: OpenCode（オープンコード）、Xcode（エックスコード）など）は、OpenAI（オープンエーアイ）のchat completion（チャット・コンプリーション）プロトコルに対応しているため、base URL（ベース・ユーアールエル）をローカルサーバーのアドレスに設定するだけで、エージェントがローカルモデルと通信できるようになります。例えば、OpenCode（オープンコード）では、プロバイダー設定でURL（ユーアールエル）をhttp://localhost:<ポート番号>に、モデル名をサーバーで指定したものに設定します。

{
  "provider": "openai",
  "base_url": "http://localhost:8080",
  "model": "Mistral-7B-Instruct-v0.2"
}

これで、エージェントは完全にローカル環境で動作し、クラウドやAPI（エーピーアイ）キーを使わずにタスクを実行できます。

エージェントのフレームワークによって設定方法が異なる場合があるため、各フレームワークのドキュメントを確認する必要があります。

ローカルエージェント実行の課題とMLX（エムエルエックス）の解決策

08:00 から、ローカルでエージェントを実行する際の3つの主な課題と、MLX（エムエルエックス）がそれらをどう解決するかが紹介されます。

課題	問題	MLX（エムエルエックス）の解決策
プロンプト処理	エージェントは大規模なコードベースを読み込む際、長いプロンプトを処理する必要があり、これがボトルネックになる	M5チップのNeural Accelerator（ニューラル・アクセラレーター）を活用し、プロンプト処理を最大4倍高速化
並行処理	エージェントは複数のサブエージェントを並行して実行するため、すべてのリクエストを効率的に処理する必要がある	継続的バッチ処理（Continuous Batching）により、複数のリクエストを動的にバッチ化してGPU（ジーピーユー）で並行処理
モデルサイズ	単一のMac（Mac）では大規模モデルを実行できない場合がある	分散推論（Distributed Inference）により、複数のMac（Mac）間でモデルをシャードして実行

視覚資料: 「Challenges of running agents locally（ローカルでエージェントを実行する際の課題）」… — 8:25 ▶

プロンプト処理の高速化

08:00 では、MLX（エムエルエックス）がApple（アップル）シリコンのM5チップに搭載された専用のNeural Accelerator（ニューラル・アクセラレーター）を活用し、プロンプト処理を最大4倍高速化することが示されています。これにより、エージェントは大規模なコードベースを迅速に読み込み、ツールからの出力を効率的に処理できます。

並行処理の最適化

09:15 で紹介される**継続的バッチ処理（Continuous Batching）**は、複数のサブエージェントからのリクエストを動的にバッチにグループ化し、GPU（ジーピーユー）上でまとめて処理する仕組みです。これにより、すべてのリクエストが並行してサービスを受けられ、エージェンティックワークフロー全体のパフォーマンスが大幅に向上します。

分散推論によるモデルサイズの拡張

10:05 からは、MLX（エムエルエックス）の分散サポートが解説されます。Thunderbolt（サンダーボルト）やEthernet（イーサネット）経由で複数のMac（Mac）を接続し、大規模モデルを各Mac（Mac）のGPU（ジーピーユー）に分散してシャード化することで、1台のマシンでは動かせないモデルも実行可能になります。また、複数デバイス間でプロンプト処理を並列化することもできます。

視覚資料: 分散推論（Distributed Inference）の概念図。複数のMac（Mac）がThunderbolt（サンダー… — 10:40 ▶

よくある失敗と解決法

失敗: サーバーが起動しない、またはエージェントがサーバーに接続できない。

解決: サーバー起動時に指定したモデル名が正しいか、ポート番号が他のアプリケーションと競合していないか確認してください。ファイアウォール設定もチェックしましょう。

失敗: エージェントのパフォーマンスが期待通りに出ない、またはエラーが発生する。

解決: まずは小さいモデルで動作を確認し、その後、より大規模なモデルを試してください。Mac（Mac）のRAM（ラム）やストレージが十分か確認し、必要に応じて分散推論のセットアップを検討しましょう。

完成結果物

クラウドやAPI（エーピーアイ）キーに依存せず、プライバシーが保護され、低遅延でオフラインアクセスが可能なローカルAI（AI）エージェントワークフローがMac（Mac）上で完全に動作します。エージェントはコード生成、デバッグ、ドキュメント要約などのタスクをApple（アップル）シリコンの性能を最大限に活用して実行できるようになります。

11:30 からのライブデモでは、エージェントが空のXcode（エックスコード）プロジェクトからSwiftUI（スウィフトユーアイ）描画アプリをゼロから構築し、さらに 13:00 では、Xcode（エックスコード）に統合されたローカルAI（AI）が既存のバグを修正する様子が実演されました。

💬 重要な引用: 「ローカルAIなら、コードがMacから出ることはありません。(With local AI, your code never leaves your Mac.)」

応用・次のステップ

このチュートリアルの技術をさらに発展させるために、以下の学習を推奨します。

MLX（エムエルエックス）の分散推論セットアップを複数のMac（Mac）で試す
自分のプロジェクトに合わせたカスタムツール呼び出しを設計する
HuggingFace（ハギングフェイス）の異なるモデルを比較し、タスクに最適なモデルを選定する
Xcode（エックスコード）のIntelligence（インテリジェンス）機能にローカルAI（AI）を統合し、開発効率を向上させる
MLX（エムエルエックス）のファインチューニング機能を使って、特定ドメインに最適化されたモデルを作成する

主要タイムスタンプ

01:10 — エージェンティックAIの進化とローカル実行のメリット
02:45 — ローカルエージェントのデモ：PR要約タスク
03:45 — ローカルエージェンティックAIスタックの解説
06:55 — ローカルエージェントのセットアップ方法（3ステップ）
08:00 — MLXによるハードウェア活用：プロンプト処理の高速化
09:15 — MLXによるハードウェア活用：並行処理（継続的バッチ処理）
10:05 — MLXによるハードウェア活用：モデルサイズ（分散推論）
11:30 — ライブデモ1：XcodeでのSwiftUIアプリ構築
13:00 — ライブデモ2：XcodeへのローカルAI統合とバグ修正
13:20 — まとめと今後の展望

完成ノートギャラリー