mcpField
A
axiom-ios-ml

axiom-ios-ml

github.com/charleswiltgen開発1.2k178 回インストール今日更新
リポジトリ

axiom-ios-ml について

カスタムのオンデバイス機械学習や音声文字起こしに取り組む iOS 開発者向けのルータースキルです。モデル変換、最適化、CoreML 実装、診断、音声処理の関連スキルを案内します。

主な機能

  1. 01CoreMLの実装とリファレンス作業の振り分け
  2. 02モデル変換と圧縮の案内
  3. 03ステートフルLLMとKV-cacheの扱い
  4. 04音声文字起こし作業の振り分け
  5. 05モデル診断の案内

活用シーン

  1. 01PyTorchモデル変換に使うスキルの選定
  2. 02モデル圧縮に関する指針の確認
  3. 03オンデバイスLLMのKV-cache実装の計画
  4. 04ライブまたは録音音声の文字起こし先の選定

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/charleswiltgen/axiom --skill axiom-ios-ml

インストール後、Claude Code で/axiom-ios-mlを入力して読み込まれたか確認します。

詳細

iOS 機械学習ルーター

デバイス上の機械学習または音声テキスト変換に関する作業では、必ずこのスキルを使用してください。

使用する場面

次のような場合に、このルーターを使用してください。

  • PyTorch／TensorFlow のモデルを CoreML に変換する
  • デバイス上に ML モデルをデプロイする
  • モデルを圧縮する（量子化、パレタイズ、プルーニング）
  • 大規模言語モデル（LLM）を扱う
  • Transformer 向けに KV キャッシュを実装する
  • モデルのスティッチングに MLTensor を使用する
  • 音声テキスト変換機能を構築する
  • 音声を文字起こしする（ライブまたは録音済み）

ios-ai との境界

ios-ml と ios-ai の違いを把握してください。

開発者の意図ルーター
「Apple Intelligence／Foundation Models を使う」ios-ai — Apple のデバイス上で動作する LLM
「独自の ML モデルをデバイス上で実行する」ios-ml — CoreML への変換とデプロイ
「@Generable でテキスト生成を追加する」ios-ai — Foundation Models の構造化出力
「KV キャッシュを使ってカスタム LLM をデプロイする」ios-ml — カスタムモデルの最適化
「画像分析に Vision フレームワークを使う」ios-vision — ML のデプロイではありません
「事前学習済みの Apple NLP モデルを使う」ios-ai — カスタムモデルではなく、Apple のモデル

判断の目安：開発者が独自のモデルを変換、圧縮、デプロイしている場合は ios-ml を使用してください。Apple の組み込み AI を使っている場合は ios-ai を使用してください。コンピュータービジョンを扱っている場合は ios-vision を使用してください。

ルーティングロジック

CoreML の作業

実装パターン → /skill coreml

  • モデル変換のワークフロー
  • モデルのスティッチングに MLTensor を使用する
  • KV キャッシュを使用するステートフルモデル
  • マルチファンクションモデル（アダプター／LoRA）
  • 非同期予測パターン
  • コンピュートユニットの選択

API リファレンス → /skill coreml-ref

  • CoreML Tools の Python API
  • MLModel のライフサイクル
  • MLTensor の操作
  • MLComputeDevice の利用可否
  • 状態管理 API
  • パフォーマンスレポート

診断 → /skill coreml-diag

  • モデルを読み込めない
  • 推論が遅い
  • メモリの問題
  • 圧縮による精度低下
  • コンピュートユニットの問題
音声の作業

実装パターン → /skill speech

  • SpeechAnalyzer のセットアップ（iOS 26 以降）
  • SpeechTranscriber の設定
  • ライブ文字起こし
  • ファイルの文字起こし
  • 暫定結果と確定結果
  • モデルアセットの管理

判断ツリー

  1. ML モデルを実装／変換する場合は？→ coreml
  2. CoreML API リファレンスが必要な場合は？→ coreml-ref
  3. ML の問題（読み込み、推論、圧縮）をデバッグする場合は？→ coreml-diag
  4. 音声テキスト変換／文字起こしを行う場合は？→ speech

正当化による回避を防ぐ

考え実際
「CoreML は読み込みと予測だけだ」CoreML には圧縮、ステートフルモデル、コンピュートユニットの選択、非同期予測があります。coreml ですべて扱います。
「モデルが小さいので、最適化は不要だ」小さなモデルでも、コンピュートユニットの選択や非同期予測のメリットがあります。coreml にはそのパターンがあります。
「SFSpeechRecognizer を使えばよい」iOS 26 では、精度が高くオフラインにも対応した SpeechAnalyzer を利用できます。speech スキルでは最新の API を扱います。

重要なパターン

coreml：

  • モデル変換（PyTorch → CoreML）
  • 圧縮（パレタイズ、量子化、プルーニング）
  • LLM 向けのステートフル KV キャッシュ
  • アダプター向けマルチファンクションモデル
  • パイプラインのスティッチングに MLTensor を使用する
  • 非同期の並行予測

coreml-diag：

  • 読み込みの失敗とキャッシュ
  • 推論パフォーマンスの問題
  • モデルによるメモリ負荷
  • 圧縮による精度の低下

speech：

  • SpeechAnalyzer と SpeechTranscriber のセットアップ
  • AssetInventory によるモデル管理
  • 暫定結果を使ったライブ文字起こし
  • 音声フォーマットの変換

呼び出し例

ユーザー：「PyTorch モデルを CoreML に変換するにはどうすればよいですか？」 → 呼び出し：/skill coreml

ユーザー：「iPhone に収まるようにモデルを圧縮してください」 → 呼び出し：/skill coreml

ユーザー：「言語モデルに KV キャッシュを実装してください」 → 呼び出し：/skill coreml

ユーザー：「初回起動時にモデルの読み込みが遅いです」 → 呼び出し：/skill coreml-diag

ユーザー：「圧縮したモデルの精度が低いです」 → 呼び出し：/skill coreml-diag

ユーザー：「アプリにライブ文字起こし機能を追加してください」 → 呼び出し：/skill speech

ユーザー：「SpeechAnalyzer で音声ファイルを文字起こししてください」 → 呼び出し：/skill speech

ユーザー：「MLTensor とは何ですか？また、どのように使えばよいですか？」 → 呼び出し：/skill coreml-ref

コメント

Markdown 対応