Bli kjent med Swival: AI-kodingassistenten som tilpasser seg dine verktøy

Drømmen om en AI som koder sammen med deg knuser fort mot veggene. API-regninger vokser, kontekstvinduer blir trangt, og du sitter fast i lukkede plattformer.

Swival snur det hele.

Denne open-source agenten tilpasser seg din oppsett, dine modeller og dine rammer. Kjør lokale LLMs på svak maskinvare eller bruk enterprise-APIer – Swival fungerer med det du har.

Hvorfor dette treffer utviklere

Mange AI-verktøy lover koding, men svikter i praksis. De krever store kontekstvinduer og kraftige GPUer. Swival er bygget for virkeligheten: begrenset kontekst, vanlig lokal maskinvare og modeller som trenger finjustering.

Tenk på en juniorutvikler med llama.cpp på en MacBook Air med 16 GB RAM. Eller en startup som vil unngå lock-in med Open Router. Sikkerhetsteam som krever kryptering av hemmeligheter. Swival håndterer alt uten at du må endre arbeidsflyten din.

Funksjoner som faktisk teller

Smart konteksthåndtering

Vanlige agenter fylder prompten med rot. Swival bruker gradvis komprimering for rene samtaler. Den husker tilstand over økter – ingen behov for å mate den med tusenvis av tokens hver gang.

Dine modeller, ditt valg

Swival finner automatisk lokale modeller i LM Studio eller llama.cpp. Den kobler til:

• HuggingFace
• OpenRouter
• Google Gemini
• ChatGPT (via din OAuth)
• AWS Bedrock
• Alle OpenAI-kompatible servere (Ollama, vLLM osv.)

Bytt modell med en flag. Ingen binding til priser eller tilgjengelighet.

Sikkerhet innebygd

Aktiver --encrypt-secrets, så krypteres API-nøkler og sensitiv data før de forlater maskinen. Modellen ser bare referanser. Dekryptering skjer lokalt. Perfekt for team som tar sikkerhet på alvor.

Læring som varer

BM25-retrieval henter relevant kontekst fra gamle økter. Bruk /learn for å lære den kodebasen din. Den husker uten å blåse opp prompten.

Sjekklooper og tester

Konfigurerbare review-loops med LLM-som-dommer. JSON-rapporter viser tid, verktøybruk og kontekst. Sammenlign modeller som Qwen 3 Coder mot GLM-5 på ekte oppgaver.

Riktige sikkerhetssjekker

Kjør /audit for skanning av kodebasen. Funksjoner verifiseres i isolerte worktrees. Kun reproduserbare feil havner i rapporten – med patches. Mindre støy, mer verdi.

Oppe og kjører på minutter

Installasjon er enkel. Eksempel med LM Studio:

# Installer Swival
uv tool install swival

# Kjør oppgave
swival "Forenkle feilhåndtering i src/api.py"

Ferdig. Ingen config-mareritt.

Med llama.cpp lokalt?

swival --provider llamacpp "Refaktoriser autentiseringsmodulen"

HuggingFace?

export HF_TOKEN=hf_...
swival --provider huggingface --model zai-org/GLM-5.1 "Legg til feilhåndtering"

Interaktiv modus? Bare swival – den husker samtalen.

Mer enn en CLI

Bygg inn i Python-kode:

import swival

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

Session-klassen gir kontroll over flertrinns-samtaler.

Agent-til-agent-modus med swival --serve. Din agent blir HTTP-endepunkt for agent-nettverk.

Enkelt å utvide

Ren Python, ingen rammeverk. Les, endre, bygg videre. Legg til ferdigheter via SKILL.md, koble MCP-servere eller kombiner agenter.

Tester og måling

Calibra følger med for benchmarking. Test modeller, innstillinger og servere på ekte kodeoppgaver. Finn beste kvalitet-pris for din flyt.

Konklusjonen

AI-kodingagenter er standard i dag. Men de trenger ikke lock-in, personvernbrudd eller urimelige krav. Swival viser at det går an å lage en agent som respekterer dine valg.

Solo-utvikler på budsjett? Startup med sensitiv data? Team som vil ha fleksibilitet? Swival hører hjemme i verktøykassa di. Gratis, open-source og klar. Prøv den – du taper ingenting.