Знакомьтесь: Swival — AI-агент для кодинга, который подстраивается под вашу инфраструктуру

Мечта об AI-помощнике в разработке рушится о суровую реальность: API-ключи жрут бюджет, контекстное окно трещит по швам, а вы прикованы к чужой платформе. Swival меняет правила игры.

Этот open-source агент не навязывает свою экосистему. Он работает с вашими моделями, вашим железом и вашими лимитами. Локальные LLM на слабом ПК? API от провайдера? Swival впишется куда угодно.

Зачем это нужно разработчикам

Разница между "AI пишет код" и "AI пишет код стабильно на моём setup'е" огромна. Большинство инструментов требуют мощных GPU и бесконечного контекста. Swival создан для жизни: скромное железо, жёсткие бюджеты на токены и модели, которые требуют тонкой настройки.

Представьте: новичок запускает llama.cpp на MacBook с 16 ГБ RAM. Стартап избегает lock-in через OpenRouter. Команда с паранойей по безопасности шифрует секреты. Swival справляется со всем, не заставляя перестраивать процессы.

Ключевые фичи, которые решают проблемы

Умное управление контекстом

Обычные агенты забивают промпт всем подряд. Swival использует постепенную компрессию — разговоры остаются чёткими. Состояние сохраняется между сессиями: не нужно каждый раз грузить историю в 10k токенов.

Модели на ваш выбор

Автоопределение локальных моделей из LM Studio или llama.cpp. Плюс интеграции с:

• HuggingFace
• OpenRouter
• Google Gemini
• ChatGPT (через ваш OAuth)
• AWS Bedrock
• Любым OpenAI-совместимым сервером (Ollama, vLLM и т.д.)

Смена модели — флаг в команде. Никаких привязок к ценам или downtime провайдера.

Безопасность из коробки

Флаг --encrypt-secrets шифрует ключи и данные до выхода с машины. Модель видит только ссылки. Расшифровка локально при ответе. Идеально для команд, где приватность на первом месте.

Обучение, которое запоминается

BM25-ретрайвер тянет релевантный контекст из прошлых сессий. Команда /learn учит агента вашему коду — без раздутых промптов. Как ассистент, который растёт с проектом.

Циклы проверки и бенчмарки

Настраиваемые review loops с "LLM-as-a-judge". JSON-отчёты фиксируют время, инструменты и события. Сравнивайте модели или настройки на реальных задачах. Qwen 3 Coder против GLM-5? Запустите и увидите метрики.

Реальные аудиты безопасности

/audit сканирует код на баги. Умно: находки проверяют изолированные агенты в отдельных worktree. Только воспроизводимые проблемы с патчами — минимум фолсов.

Запуск за минуты

Установка простая. Пример с LM Studio:

# Установка
uv tool install swival

# Задача
swival "Упростить обработку ошибок в src/api.py"

Готово. Без конфигов и переменных (если не хотите кастом).

Llama.cpp локально?

swival --provider llamacpp "Рефакторить модуль аутентификации"

HuggingFace?

export HF_TOKEN=hf_...
swival --provider huggingface --model zai-org/GLM-5.1 "Добавить обработку ошибок"

Для диалога: swival без аргументов — интерактив с памятью.

Больше, чем CLI

Встраивайте в Python:

import swival

answer = swival.run(
    "Какие файлы отвечают за аутентификацию?",
    provider="openrouter",
    model="z-ai/glm-5",
)

Session-класс для мульти-терн. Режим --serve — HTTP-эндпоинт для agent-to-agent сетей.

Легко дорабатывать

Чистый Python без фреймворков. Читайте, меняйте, добавляйте skills через SKILL.md. Поддержка MCP-серверов и композиция агентов.

Бенчмаркинг в комплекте

Calibra — инструмент для тестов. Сравнивайте модели, настройки и сервера по реальным задачам. Найдите оптимальный баланс цена/качество для вашего стека.

Итог

AI-агенты для кодинга — must-have. Но без lock-in, с приватностью и под ваше железо. Swival показывает: полезный инструмент возможен. Для соло-разработчика, стартапа или команды — берите в арсенал. Open-source, бесплатно, готово к работе. Стоит ли пробовать? Вопрос в другом: можно ли без него обойтись?