在 Mac Studio 或者 M 系列 MacBook 上，你敲完代码后想立刻让本地大模型帮你补全、改 bug、甚至调用工具链执行任务，结果等半天第一句回复才蹦出来。或者用着用着就卡在工具调用解析失败上，只能切换云端 API 交智商税。
Rapid-MLX 把这些日常摩擦直接干掉。它用 Apple 自家的 MLX 框架搭了个 FastAPI 服务，提供完整的 OpenAI 兼容 API，在 Apple Silicon 上比 Ollama 快 2-4 倍，缓存续轮 TTFT 能压到 0.08 秒左右，还原生把工具调用和提示缓存做好了。Cursor、Claude Code、Aider、LangChain 直接改个 base_url 就能接上。
我自己之前在 M 系列机器上折腾过不少本地推理方案，Ollama 用着方便但一到大模型或者高并发就喘，llama.cpp 虽然快但生态对接总差一口气。Rapid-MLX 这次给我的感觉是，它把“能跑”和“跑得爽”之间的那道坎抹平了。
为什么在 Apple Silicon 上 MLX 能跑这么快
普通读者可能觉得，本地跑大模型不就是把参数加载到内存里算吗？其实 Mac 的统一内存架构（Unified Memory）是关键——CPU、GPU、Neural Engine 共享一块内存，数据不用在不同芯片间拷贝。MLX 框架把这个特性吃得死死的，运算直接贴着硬件走。
后果很直接：同样一个 30B 左右的模型，在 Mac Mini / Studio 上生成速度能跑到 100+ tok/s（大致相当于每秒输出上百个词），而很多其他方案容易掉到一半甚至更低。实际用起来就是打字机式输出变成流水线，工具调用时等待感大幅下降。
技术上看，Rapid-MLX 在 KV 缓存（Key-Value cache，模型记住上文用的）上做了裁剪和 DeltaNet 状态快照，续轮推理时只需要处理增量部分。这不是小优化，直接把 Time To First Token（TTFT，第一词出来的等待时间）压到毫秒级。工具调用方面它塞了 17 种解析器，Qwen、DeepSeek、Gemma、GLM 等模型输出的格式乱了也能自动修，量化后输出崩坏的情况容错率高不少。
我以前以为 MLX 生态碎片化会是硬伤，现在看 Rapid-MLX 把服务层补得挺完整。当然，碎片化问题确实还存在，但对性能敏感的本地开发场景，它已经把优势发挥得很极致。
实际性能和支持的模型
看基准数据，在 Mac Studio M3 Ultra 上，Qwen3.5-122B 能跑到 57 tok/s，DeepSeek V4 Flash 158B-A13B 也能有 31-56 tok/s 区间，128GB+ 内存机器上跑 frontier 级 MoE 模型都可行。
小内存机器也不亏。16GB MacBook Air 跑 Qwen3.5-4B 能到 160 tok/s，日常聊天、轻量编码完全够用。32GB+ 机器上 Nemotron-Nano 30B、Qwen3.6-35B 等都能打出高性价比组合。
除了纯文本，还有视觉和音频多模态支持（额外装对应 extras 包）。推理链分离、云端路由、V 缓存压缩这些特性理论上能进一步降低延迟和内存占用，尤其在长上下文或者多轮对话时有用。
我自己测试类似方案时发现，真正卡人的往往不是峰值速度，而是稳定性。工具调用失败一次，整个 Agent 流程就断掉。Rapid-MLX 在这块花了大力气，100% 工具调用通过率不是随便说的。
快速上手
安装最简单用 Homebrew：
brew install raullenchai/rapid-mlx/rapid-mlx
或者 pip（推荐 Python 3.10+）：
pip install rapid-mlx
启动服务（以 Gemma-4-26B 为例）：
rapid-mlx serve gemma-4-26b
第一次会下载模型，下载完看到 Ready: http://localhost:8000/v1 就行了。另一个终端用 curl 测试，或者直接在 Cursor/Claude Code 里把 base_url 改成 http://localhost:8000/v1，api_key 随便填。
这步容易出错的地方是 Python 版本太老（macOS 自带 3.9），报 distribution 错误时先 brew install python@3.12 再用对应 python 装包。
跑完服务后，任何 OpenAI 兼容的客户端都能接。Python 里这样用：
from openai import OpenAI
client = OpenAI(base_url="http://localhost:8000/v1", api_key="not-needed")
response = client.chat.completions.create(
model="default",
messages=[{"role": "user", "content": "Say hello"}]
)LangChain、PydanticAI 等框架也都有测试通过的集成。
生态和权衡
Ollama 的模型库和社区确实更成熟，迁移成本和长期维护是真实问题。但如果你主要在 Apple Silicon 机器上开发，对速度和工具调用体验有强需求，Rapid-MLX 现在已经是很有竞争力的选项。
我之前总觉得本地 LLM 推理“够用就行”，用过之后才发现，0.08 秒的 TTFT 和稳定的工具解析能让工作流从“等待 AI”变成“和 AI 一起干活”。这中间的感受差得不是一星半点。
