Apple Intelligence × SwiftData × RAG (Retrieval-Augmented Generation)

ローカルPCのドキュメント（PDF/Text）と直接会話でき、プライバシー完全保護のネイティブmacOSアプリ開発の記録です。

※この記事は、一部AIを活用して内容を整理しています。

はじめに

AppleがmacOS 26.0で公開したFoundationModelsフレームワークは、Apple Silicon上でローカルに動作する大規模言語モデル（LLM）への直接アクセスを提供する画期的なAPIです。

このブログでは、RAG（Retrieval-Augmented Generation）機能を搭載したFoundationLLMChatというネイティブmacOSアプリの開発全記録をお届けします。

このアプリの核心機能

「あなたのドキュメントと直接会話する」

PDFやテキストファイルをアプリにインポート
ドキュメントの内容に関して質問すると、LLMが文脈を理解して回答
すべてローカル処理（インターネット不要、プライバシー完全保護）
Apple Silicon上で高速動作

技術的なアーキテクチャ、RAGシステムの実装、実装上の課題と解決策について詳しく解説します。

プロジェクト概要

FoundationLLMChatは、あなたのドキュメントと「会話」できる次世代チャットアプリケーションです。

主要機能

機能	説明
RAGドキュメントチャット	PDF/Textファイルをインポートして、その内容について質問・回答
Apple Intelligence	macOS 26.0+のローカルLLM（インターネット不要）
SwiftData永続化	会話履歴とドキュメントを自動保存
キーワードベースRAG	独自実装の検索・文脈構築システム
PDF対応	PDFKitによるテキスト抽出
Markdownレンダリング	コードブロック・リスト・テーブル対応

技術スタック

コンポーネント	技術
UIフレームワーク	SwiftUI
データ永続化	SwiftData
LLM推論	FoundationModels (Apple Intelligence)
PDF処理	PDFKit
並行処理	async/await + MainActor

アーキテクチャ設計

MVVMパターンの採用

本アプリでは**MVVM（Model-View-ViewModel）**アーキテクチャを採用しています。これにより、UIロジックとビジネスロジックを明確に分離し、テスト容易性と保守性を高めています。

View (SwiftUI) → ViewModel → Service → Apple Frameworks

アーキテクチャ図

アーキテクチャ図では、以下の5つのレイヤー構成を視覚化しています。

UI Layer (SwiftUI): ChatView, MessageBubble, MessageInputView, MarkdownView
ViewModel Layer: ChatViewModel (MainActor) - 状態管理
Service Layer: FoundationModelService, RAGService
Data Layer (SwiftData): Conversation, ChatMessage, Document, DocumentChunk
Apple Frameworks: FoundationModels, SwiftData, PDFKit

レイヤー構成

1. UI Layer (SwiftUI)

ChatView: メインチャット画面
MessageBubble: 吹き出し形式のメッセージ表示
MessageInputView: メッセージ入力欄
MarkdownView: Markdownレンダリング

2. ViewModel Layer

ChatViewModel（MainActor）: 状態管理とビジネスロジックの調整
- 会話管理
- メッセージ送受信
- RAG制御
- エラーハンドリング

3. Service Layer

FoundationModelService: Apple Intelligence APIラッパー
RAGService: ドキュメント検索・文脈構築

4. Data Layer (SwiftData)

Conversation: 会話エンティティ
ChatMessage: メッセージエンティティ
Document: ドキュメントエンティティ
DocumentChunk: チャンク化されたドキュメント断片

5. Apple Frameworks

FoundationModels: LLM推論
SwiftData: データ永続化
PDFKit: PDFテキスト抽出

RAG（Retrieval-Augmented Generation）システム

RAGとは

RAGは、LLMに外部知識を提供する手法です。ユーザーの質問に関連するドキュメントの断片を検索し、プロンプトに追加することで、より正確で文脈に沿った回答を生成できます。

本アプリのRAG実装

ドキュメント処理フロー

PDF/Text → テキスト抽出 → チャンク分割 → キーワード抽出 → SwiftData保存

チャンク化アルゴリズム:

func chunkDocument(chunkSize: Int = 1000, overlap: Int = 200) -> [DocumentChunk] {
    var chunks: [DocumentChunk] = []
    let text = content
    var startIndex = text.startIndex

    while startIndex < text.endIndex {
        let endIndex = text.index(startIndex, offsetBy: chunkSize, limitedBy: text.endIndex) ?? text.endIndex
        let chunkText = String(text[startIndex..<endIndex])

        let chunk = DocumentChunk(content: chunkText, index: chunks.count, document: self)
        chunks.append(chunk)

        // オーバーラップを考慮して次の開始位置を設定
        if endIndex == text.endIndex {
            break
        }
        startIndex = text.index(startIndex, offsetBy: chunkSize - overlap, limitedBy: text.endIndex) ?? text.endIndex
    }

    return chunks
}

検索アルゴリズム

キーワードベースの検索を実装しています。

func retrieveRelevantChunks(query: String, documents: [Document], maxChunks: Int = 3) -> [DocumentChunk] {
    let queryWords = query.lowercased()
        .components(separatedBy: CharacterSet.alphanumerics.inverted)
        .filter { $0.count > 2 }

    var scoredChunks: [(chunk: DocumentChunk, score: Int)] = []

    for document in documents {
        for chunk in document.chunks ?? [] {
            var score = 0
            let chunkContent = chunk.content.lowercased()

            // 完全一致に高いスコア
            if chunkContent.contains(query.lowercased()) {
                score += 10
            }

            // 単語ごとの一致
            for word in queryWords {
                if chunkContent.contains(word) {
                    score += 1
                }
            }

            // キーワードリストとの一致
            for word in queryWords {
                if chunk.keywords?.contains(word) == true {
                    score += 2
                }
            }

            if score > 0 {
                scoredChunks.append((chunk, score))
            }
        }
    }

    // スコア順にソートして上位を返す
    let sortedChunks = scoredChunks.sorted { $0.score > $1.score }
    return Array(sortedChunks.prefix(maxChunks).map { $0.chunk })
}

スコアリング体系:

完全一致: +10点
単語一致（コンテンツ内）: +1点
キーワードリスト一致: +2点

処理フロー図

RAG + メッセージ処理のフローは以下の通りです。

ユーザー入力を受信
RAGが有効かチェック
Yesの場合：retrieveRelevantChunks() → buildContextFromChunks()
buildPromptWithRAG()でプロンプト構築
ユーザーメッセージを保存
アシスタントプレースホルダーを作成
generateResponse()でLLM推論
成功時：コンテンツを更新・保存
失敗時：エラーハンドリング

ユーザーシーケンス

以下に、ドキュメントインポートからLLM応答取得までのシーケンスを示します。

Phase 1: ドキュメントインポート (1-6)

ユーザーがPDF/Textファイルを選択
UI LayerがViewModelに通知
ViewModelがドキュメントをチャンク化
チャンクがSwiftDataに保存
UIが更新されドキュメント一覧を表示

Phase 2: メッセージ送信とRAG (7-12)

ユーザーがメッセージを送信
ViewModelがメッセージを保存
RAG Serviceが関連チャンクを検索
トップ3チャンクが返却
プロンプト（RAGコンテキスト含む）をLLMに送信
LLM応答が返却されUIに表示

実装上の課題と解決策

課題1: FoundationModelsの可用性チェック

FoundationModelsフレームワークはmacOS 26.0+とApple Siliconが必要です。

解決策: 条件付きコンパイル

#if canImport(FoundationModels)
import FoundationModels
// 実際の実装
#else
// フォールバック実装
class FoundationModelService {
    @Published var availabilityStatus: ModelAvailabilityStatus = .unavailable(
        reason: "FoundationModels framework not available. Requires macOS 26.0+ and Apple Silicon."
    )
}
#endif

課題2: SwiftDataのモデル関係

ConversationとChatMessageの1対多関係を正しく設定する必要がありました。

解決策: RelationshipとInverseの設定

@Model
class Conversation {
    @Relationship(deleteRule: .cascade, inverse: \ChatMessage.conversation)
    var messages: [ChatMessage]?
}

@Model
class ChatMessage {
    @Relationship
    var conversation: Conversation?
}

deleteRule: .cascadeを設定することで、会話削除時に関連メッセージも自動削除されます。

課題3: メインスレッドでのUI更新

SwiftUIの@Publishedプロパティはメインスレッドでのみ更新する必要があります。

解決策: @MainActorの適用

@MainActor
class ChatViewModel: ObservableObject {
    @Published var isGenerating: Bool = false
    @Published var errorMessage: String?
    // ...
}

課題4: 非同期ストリーミング応答の処理

FoundationModelsは現時点でストリーミング応答を直接サポートしていないため、逐次更新の実装が課題でした。

解決策: プレースホルダー方式

// まず空のプレースホルダーを作成
let assistantMessage = ChatMessage(role: .assistant, content: "", conversation: conversation)
assistantMessage.isStreaming = true
context.insert(assistantMessage)

try await context.save()

// 非同期で応答を生成
Task {
    let response = try await modelService.generateResponse(for: prompt)

    // 応答を更新
    assistantMessage.content = response
    assistantMessage.isStreaming = false
    try context.save()
}

パフォーマンス最適化

RAGの最適化

チャンクサイズのチューニングについては、1000文字のチャンクサイズと200文字のオーバーラップを採用しています。これにより文脈の連続性を保ちつつ、検索精度を向上させています。

検索結果の制限については、トップ3チャンクのみを使用することで、プロンプトサイズを抑えレイテンシを削減しています。

データベース最適化

// 会話履歴は最新10件のみをプロンプトに含める
let recentMessages = conversation.sortedMessages.suffix(10)

デモ動画

FoundationLLMChatの主要機能を紹介するデモ動画です。

今後の展望

Github上で公開

現在リポジトリを準備中のため、近い将来に公開する予定です。

計画中の機能

セマンティック検索では、現在のキーワードベースから埋め込みベースの検索への移行を予定しています。CoreMLを活用したローカル埋め込み生成により、より精度の高い検索を実現する予定です。

ストリーミング対応については、FoundationModelsのストリーミングAPIが公開された際に速やかに対応していきます。

マルチモーダル対応では、画像入力への対応を検討しています。

エクスポート機能として、会話履歴のMarkdown/PDF出力も実装予定です。

まとめ

FoundationLLMChatは、Appleの最新技術（FoundationModels、SwiftData、SwiftUI）を組み合わせることで、プライバシーを完全に保ちながら強力なLLM機能を提供するアプリケーションです。

RAG機能により、ユーザーのドキュメントを文脈として活用できるため、単なるチャットアプリを超えた個人の知識ベースと対話できるツールとなっています。

学んだこと

SwiftDataのパワー: 宣言的なデータモデリングと自動永続化により、複雑なデータ管理をシンプルに記述できます
FoundationModelsの可能性: ローカル推論によるプライバシー保護と高速応答を両立できます
MVVMの重要性: 状態管理を明確に分離することで、保守性が大きく向上します
RAGの実装: キーワードベース検索でも、チューニング次第で十分実用的な精度を実現できます

参考リンク

本ブログは2026年3月に作成されました。FoundationModels APIはベータ版のため、今後変更される可能性があります。