正在接入 Apple HLS 视频源…
开场把 model、Spotlight、search、tool 放在一起，说明本场不是讲普通搜索框，而是模型如何取得 App 内容上下文。它支撑 I1：Core Spotlight 是模型可读的本地上下文层。
第二段围绕 Spotlight、index、model 展开，说明搜索质量不只是模型能力，而是 App 如何捐赠、组织和描述可搜索内容。它支撑 I2。
中段出现 SpotlightSearchTool、tool、results、profile，说明 Core Spotlight 不只是系统搜索入口，也能成为 LLM 调用的工具。它支撑 I1/I3。
这一段围绕 search、stage、pipeline、scope 等信号，说明 LLM search 需要处理范围、排序、来源说明和权限可见性。它支撑 I3/I4。
收束段出现 evaluation、evaluations、sample、build，说明搜索体验不能只靠 demo，需要有样本、评估和质量回归。它支撑 I5。
246 的关键不是系统搜索入口本身，而是 Core Spotlight 可以把本地 App 内容变成 LLM search 可使用的结构化上下文。模型要回答用户，必须先能找到用户内容。
App 是否适合 LLM search，取决于它如何捐赠、描述和组织内容。metadata 和实体不是搜索优化细节，而是模型能否可靠找到相关信息的前置工作。
当索引被包装为工具，LLM search 就不再只是匹配关键词，而是在本地内容范围内检索、组织和返回结果。这里是搜索和 agent 工具体系的交叉点。
语义搜索如果不能说明依据、范围和下一步，就会让用户不信任结果。246 的产品意义在于提醒：source、scope、ranking、permission 是 LLM search 体验的一部分。
LLM search 的错误往往不是崩溃，而是找错、漏找、解释不清。样本、评估和回归指标必须进入发布流程，否则语义搜索难以规模化。 这不是锦上添花，而是语义检索进入真实产品前必须具备的质量闭环。
246 应与 241/242 一起构成模型落地链路：241 讲模型能力，242 讲 agentic 执行，246 讲模型如何在本地 App 内容中找上下文。它是 Apple Intelligence 进入真实用户数据的关键桥。