Swival est un agent de codage open source conçu pour fonctionner avec divers modèles de langage, des plus performants aux modèles locaux plus modestes, en optimisant la gestion des contextes restreints et des ressources limitées. Il s’intègre facilement à des outils comme LM Studio, llama.cpp ou HuggingFace, et permet de choisir son modèle et son infrastructure. Ses fonctionnalités incluent une gestion intelligente du contexte, une mémoire persistante entre sessions et une sécurité renforcée avec chiffrement des secrets.
L’outil propose des mécanismes de revue et de benchmarking pour évaluer les performances des modèles, ainsi que des audits de sécurité autonomes pour détecter des vulnérabilités dans le code. Il supporte les protocoles A2A et ACP, facilitant son intégration avec des éditeurs comme Zed ou des agents externes. Son architecture modulaire permet d’étendre ses capacités via des skills ou des MCP servers, tout en restant léger et personnalisable.
Swival se distingue par sa fiabilité sur des modèles locaux, sa gestion optimisée du contexte et ses options de sécurité configurables, comme le chiffrement des secrets ou les restrictions d’accès au système de fichiers. Son installation rapide et sa compatibilité avec de nombreux fournisseurs en font une solution flexible pour automatiser des tâches de développement.
L’auteure partage son expérience positive avec les modèles locaux d’IA, désormais suffisamment performants pour des tâches de développement et de codage. Elle souligne l’évolution rapide des modèles comme Mistral 7B, Gemma 3 ou Qwen 3, et leur capacité à rivaliser avec des solutions cloud, notamment depuis l’arrivée de GPT-OSS et des modèles Gemma 4. Son utilisation locale, via des outils comme LM Studio ou Ollama, lui permet de gagner en rapidité et en personnalisation pour des besoins comme le refactoring de code ou la génération de tests unitaires.
Elle détaille son passage à l’agentic coding avec Gemma 4-26B, atteignant environ 75 % des performances des modèles frontaliers, tout en restant dans un environnement contrôlé (Docker). Malgré des contraintes matérielles (64 Go de RAM), ces modèles locaux lui offrent une autonomie accrue pour des tâches autrefois impossibles en local, comme l’analyse de logs ou la génération de structures de projets.
Enfin, elle encourage à tester ces solutions en local, en combinant un moteur d’inférence (LM Studio, llama.cpp) et un outil d’orchestration (comme Pi). Elle note que des modèles plus récents comme Gemma 4-12B-QAT offrent un bon compromis taille/performance, tout en soulignant l’importance des choix architecturaux face aux contraintes techniques.