Swival: Der KI-Coding-Assistent, der sich an deine Setup anpasst

Stell dir vor, du hast einen KI-Helfer zum Programmieren. Klingt super – bis die Rechnungen für APIs kommen, der Kontext zu eng wird und du an einen Anbieter gefesselt bist. Swival dreht das Ganze um.

Dieser Open-Source-Agent passt sich deiner Hardware, deinen Modellen und deinem Budget an. Ob lokale LLMs auf dem Laptop oder Cloud-APIs im Einsatz: Swival nutzt, was du hast.

Warum Entwickler Swival brauchen

Viele KI-Tools versprechen Code-Zauberei, scheitern aber an der Realität. Sie wollen riesige Kontextfenster und Top-Hardware. Swival ist für den Alltag gebaut: Begrenzte Ressourcen, normale Laptops, Modelle, die Tricks brauchen.

Ein Frischling codet auf einem MacBook mit 16 GB RAM via llama.cpp. Ein Startup testet Open Router gegen Lock-in. Teams mit sensiblen Daten verschlüsseln alles. Swival meistert das, ohne dass du umkrempelst.

Die Features, die zählen

Smarter Kontext

Viele Agents stopfen Prompts voll. Swival komprimiert schrittweise und behält Zustand über Sessions. Kein Wiederholen alter Infos bei Folgefragen.

Deine Modelle, dein Ding

Swival findet lokale Modelle in LM Studio oder llama.cpp. Passt zu:

• HuggingFace
• OpenRouter
• Google Gemini
• ChatGPT (mit OAuth)
• AWS Bedrock
• OpenAI-kompatiblen Servern wie Ollama

Wechsel? Nur ein Flag ändern. Kein Preisfallen oder Ausfälle.

Sicherheit integriert

Mit --encrypt-secrets werden Keys verschlüsselt, bevor sie rausgehen. Das Modell sieht nur Platzhalter. Entschlüsselung lokal – Tools laufen normal. Perfekt für Paranoiker.

Lernen, das hängen bleibt

BM25-Retrieval holt relevante Infos aus der History. /learn speichert Wissen, ohne Prompts aufzublasen. Dein Assistent wächst mit deinem Code.

Überprüfung und Tests

Review-Loops mit LLM-Judge. JSON-Reports tracken Zeit, Tools und Kontext. Vergleiche Modelle wie Qwen 3 Coder vs. GLM-5 auf echten Tasks.

Echte Sicherheitschecks

/audit scannt Code auf Bugs. Findings prüfen isolierte Agents in separaten Branches. Weniger Fehlalarme, echte Patches.

Schnell am Start

Setup ist easy. Beispiel mit LM Studio:

# Swival installieren
uv tool install swival

# Task starten
swival "Fehlerbehandlung in src/api.py vereinfachen"

Für llama.cpp:

swival --provider llamacpp "Auth-Modul umbauen"

HuggingFace? Token setzen und los:

export HF_TOKEN=hf_...
swival --provider huggingface --model zai-org/GLM-5.1 "Error-Handling ergänzen"

Interaktiv? swival ohne Args – volle Session mit Memory.

Mehr als Kommandozeile

In Python einbinden:

import swival

antwort = swival.run(
    "Welche Dateien kümmern sich um Auth?",
    provider="openrouter",
    model="z-ai/glm-5",
)

Session-Klasse für Multi-Turn. --serve macht einen HTTP-Endpunkt für Agent-Netzwerke.

Leicht erweiterbar

Reiner Python, kein Framework-Zwang. Lies, hack, erweitere. Skills per SKILL.md, MCP-Server oder Agent-Kombis. Alles transparent.

Benchmarks inklusive

Calibra-Tool vergleicht Modelle, Settings und Server auf Coding-Tasks. Finde dein bestes Preis-Leistungs-Verhältnis.

Fazit

Gute KI-Coder sind Standard. Swival macht's ohne Fallen: Kein Lock-in, datenschonend, hardwarefreundlich. Für Solosparer, Startup-Sicherheitsfans oder Flexibilitäts-Junkies. Kostenlos, open-source, sofort nutzbar. Probier's aus – oder bleib zurück.