Swival: AI-kodningsagenten, der tilpasser sig dine værktøjer

Forestil dig en AI-partner til kodning, der ikke kræver dyre API'er, enorme context-vinduer eller specifikke platforme. De fleste løsninger tvinger dig ind i deres verden. Swival gør det modsatte.

Denne open-source agent arbejder med dine modeller, din hardware og dine rammer. Kør lokale LLMs på en almindelig laptop? Eller brug enterprise-API'er? Swival tilpasser sig uden besvær.

Hvorfor det gør en forskel for udviklere

AI kan kode – men ikke altid på din maskine med dine begrænsninger. Typiske værktøjer forudsætter kraftige GPU'er og ubegrænset kontekst. Swival er bygget til virkeligheden: begrænset RAM, lokale setup'er og modeller, der kræver præcis håndtering.

En nyuddanet developer kører måske llama.cpp på en MacBook med 16 GB RAM. En startup vil undgå lock-in via Open Router. Et sikkerhedsbevidst team krypterer alt. Swival håndterer det hele – uden at du skal omskrive din workflow.

Funktioner, der rammer plet

Smart kontekst-håndtering

I stedet for at proppe alt i prompten bruger Swival en trinvis komprimering. Samtaler holder sig skarpe, og agenten husker tidligere arbejde på tværs af sessioner. Ingen grund til at gentage tusindvis af tokens hver gang.

Dine modeller, din beslutning

Swival finder automatisk lokale modeller fra LM Studio eller llama.cpp. Den kobler også til:

• HuggingFace
• OpenRouter
• Google Gemini
• ChatGPT (via din egen OAuth)
• AWS Bedrock
• Ethvert OpenAI-kompatibelt setup (Ollama, vLLM osv.)

Skift model? Bare opdater en flag. Ingen binding til priser eller udfald.

Sikkerhed fra starten

Aktivér --encrypt-secrets, og API-nøgler krypteres, før de forlader din maskine. Modellen ser kun sikre referencer. Dekryptering sker lokalt – værktøjerne kører som normalt. Perfekt til teams, der prioriterer privatliv.

Læring, der bliver

Med BM25-retrieval henter agenten relevant kontekst fra gamle sessioner. Brug /learn til at lære den noget, og det huskes uden at svulme prompten. Som en assistent, der gradvist kender din kodebase.

Review og benchmarks

Konfigurer review-loops med LLM-som-dommer. JSON-rapporter viser tid, værktøjsbrug og kontekst-data. Test Qwen 3 Coder mod GLM-5 på dine tasks – få præcise metrics.

Effektive sikkerheds-audits

Kør /audit, og Swival scanner koden for verificerede fejl. Fund verificeres i isolerede worktrees af separate agenter. Mindre falske alarmer, mere konkrete patches.

Opstart på få minutter

Installationen er ligetil. Eksempel med LM Studio:

# 1. Installer Swival
uv tool install swival

# 2. Kør en opgave
swival "Forenkl fejlhåndtering i src/api.py"

Færdig. Ingen config-mareridt.

Lokalt med llama.cpp?

swival --provider llamacpp "Refaktorér autentificeringsmodulet"

HuggingFace?

export HF_TOKEN=hf_...
swival --provider huggingface --model zai-org/GLM-5.1 "Tilføj fejlhåndtering"

Interaktiv session? Bare swival uden argumenter – fuld samtalehistorik følger med.

Mere end en CLI

Indsæt agenter i din Python-kode:

import swival

svar = swival.run(
    "Hvilke filer håndterer autentificering?",
    provider="openrouter",
    model="z-ai/glm-5",
)

Session-klassen giver kontrol over lange samtaler. --serve laver en HTTP-endpoint for agent-til-agent kommunikation – perfekt til netværk af specialiserede agenter.

Let at udvide

Swival er ren Python uden rammeværk. Læs, hack og tilpas frit. Tilføj skills via SKILL.md, integrér MCP-servere eller kombiner agenter. Alt er transparent.

Benchmarks med Calibra

Medfølgende Calibra-tool tester modeller, opsætninger og skills på rigtige tasks. Find den bedste kvalitet-pris-kombi til din workflow.

Konklusion

AI-kodningsagenter er standard i dag. Men de behøver ikke betyde lock-in, privatlivsrisici eller krævende hardware. Swival viser, at det kan være fleksibelt, sikkert og tilpasseligt.

Solo-devs sparer penge, startups beskytter data, teams får kontrol. Gratis, open-source og klar til brug. Prøv det – og spørg dig selv, hvorfor vente?