Von einem Prompt zu drei Versorgungsvarianten, in unter zehn Minuten.
Symphenys REST API und Python SDK sind vollständig dokumentiert, sodass ein KI-Assistent oder Coding-Agent ein Projekt aufbauen, Szenariovarianten aufsetzen und einen Optimierungslauf starten kann. Am anderen Ende ändert sich nichts: Dasselbe deterministische MILP-Optimierungsmodul löst das Modell, ob es ein Mensch oder ein Agent zusammengestellt hat.
Ein Assistent setzt das Modell auf. Sympheny löst es.
Ein Prompt, drei Versorgungsvarianten — Gaskessel, Wärmepumpe mit Dach-PV und Fernwärme — aufgesetzt über die dokumentierte API. Clip ohne Ton; jeder Schritt ist im Bild beschriftet.
Details und die vollständige Anleitung finden Sie in unserer Dokumentation →Fünf Schritte, vom schriftlichen Briefing zu drei Szenarien, bereit zur Optimierung.
Der Clip zeigt einen realen Aufbau: ein Briefing in normaler Sprache, das Skript, das der Assistent daraus erzeugt, die Annahmen, die er vor dem Lauf zurückmeldet, und die drei Szenarien, die am Ende dabei herauskommen.
«Füge nach Schritt 1 einen neuen Schritt ein, der jedes Projekt auflistet…» — und der Wizard hat ihn.
KI hilft Ihnen beim Aufbau der Oberfläche. Sympheny optimiert deterministisch, wie immer.
Eine Light App ist eine kleine, fokussierte Oberfläche, die auf Sympheny aufsetzt — ein Wizard in der Form der Studie, die Ihr Team tatsächlich rechnet, statt der ganzen Plattform. Sie bauen sie, und Sie ändern sie, im Light App Editor.
Der Clip zeigt, wie eine davon geändert wird. Eine schriftliche Anweisung fügt einem bereits ausgelieferten Wizard mit vier Schritten einen Schritt hinzu, die Schritte darunter werden neu nummeriert, und zwei Sekunden später ist die neue Ansicht live. Der ergänzte Schritt ist keine Attrappe: Er ruft GET /projects auf dem Sympheny-Backend auf und zeigt an, was zurückkommt — Eigentümer, Status, letzte Aktualisierung — für jedes Projekt im Konto.
Ein bereits ausgelieferter Wizard mit vier Schritten erhält aus einer einzigen schriftlichen Anweisung einen fünften Schritt, zwei Sekunden später ausgeliefert und live aus dem Sympheny-Backend geladen. Clip ohne Ton; jeder Schritt ist im Bild beschriftet. Zu sehen ist, wie eine bestehende App erweitert wird, nicht wie eine bei null gebaut wird.
Sprechen Sie mit uns über KI für Ihre eigene Light App →Alles, was ein Agent braucht, ist bereits dokumentiert.
Zwei der drei stehen bereits heute bereit: REST API und Python SDK sind vollständig dokumentiert und sofort ansteuerbar. Der MCP-Server, über den sich ein Assistent ohne eigene Verdrahtung anbinden lässt, kommt in den kommenden Wochen.
REST API
Jeder Endpunkt ist öffentlich dokumentiert, mit JWT-Authentifizierung, Schemata für Anfragen und Antworten sowie einem browserbasierten API Explorer. Projekte, Analysen, Szenarien, Stufen, Hubs, Technologien und Solver-Jobs sind alle erreichbar.
REST API-Referenz →Python SDK
sympheny-toolbox, der offizielle Client, benötigt Python 3.11 oder neuer und wird mit pip installiert. Er stellt jeden dokumentierten Endpunkt als typisierte Methode mit Pydantic-Validierung bereit, bietet passende synchrone und asynchrone Clients und übernimmt Login, Token-Caching und -Erneuerung für Sie. Ausgearbeitete Anleitungen zeigen, wie man einen Solver-Lauf startet und Ergebnisse herunterlädt.
Python SDK-Anleitung →MCP-Server
Ein remote betriebener Model Context Protocol Server, damit ein Assistent Sympheny über eine standardisierte Verbindung aufrufen kann statt über handgeschriebenes HTTP. Die Client-Einrichtung für Claude Code, Claude Desktop, ChatGPT und Gemini CLI ist bereits vor dem Start dokumentiert, und der Endpunkt antwortet, sobald der Server in den kommenden Wochen ausgeliefert wird. Bis dahin leisten REST API und SDK dasselbe — genau damit arbeitet der Rundgang oben.
MCP-Einrichtung, vorab dokumentiert →Die Dokumentation ist so geschrieben, dass Maschinen sie ebenso lesen können wie Menschen.
docs.sympheny.com veröffentlicht llms.txt, einen kompakten Index der Dokumentation in Navigationsreihenfolge mit einer einzeiligen Beschreibung pro Seite, und llms-full.txt, den gesamten Bestand aneinandergereiht in Leserichtung. Beide folgen der llms.txt-Konvention.
Praktisch heisst das: Sie geben einem Assistenten eine einzige URL, und er hat die Plattform im Kontext — Endpunkte, Schemata, Modellstruktur und ausgearbeitete Beispiele —, statt die Website zu durchsuchen oder die Form einer API zu erraten.
Die Teile der Arbeit, die sich zu automatisieren lohnen.
Arbeiten mit KI-Assistenten und Agenten.
Kann ich Sympheny mit einem KI-Assistenten oder Agenten nutzen?
Ja. Sympheny stellt eine REST API und ein Python SDK bereit, beide vollständig dokumentiert, sodass ein Assistent oder Coding-Agent Szenarien anlegen, Optimierungsläufe starten und Ergebnisse zurücklesen kann. Ein MCP-Server kommt in den kommenden Wochen. Die Einrichtung ist auf docs.sympheny.com dokumentiert. Standardmässig ist nichts angebunden — Sie entscheiden, ob Sie es nutzen.
Kann ich eine Light App mit einem KI-Assistenten ändern?
Ja. Der Light App Editor nimmt eine Anweisung in normaler Sprache entgegen und ändert die App — der Clip oben ergänzt einen Wizard-Schritt, der jedes Projekt im Konto auflistet, hinterlegt mit einem echten API-Aufruf und in zwei Sekunden ausgeliefert. Zu sehen ist die Änderung an einer bereits bestehenden App; eine bei null zu bauen ist die längere Arbeit. So oder so bleibt die Optimierung dahinter unberührt: Dasselbe deterministische MILP-Optimierungsmodul löst das Modell.
Wenn ich einen Assistenten anbinde, wohin gelangen meine Daten?
Zu dem Anbieter, den Sie anbinden. Wenn Sie einen Assistenten auf Sympheny richten, laufen die Szenariodaten, die er sendet und empfängt, über diesen Anbieter, unter Ihrer Vereinbarung mit ihm, nicht unter unserer. Sympheny wählt den Anbieter nicht für Sie aus und bettet kein Modell von Drittanbietern in die eigene Berechnungs-Pipeline ein.
Ändert das Anbinden eines Assistenten meine Ergebnisse?
Nein. Ein Assistent kann ein Szenario aufbauen oder ändern, die Optimierung läuft aber immer auf demselben deterministischen MILP-Optimierungsmodul. Ein von einem Assistenten zusammengestelltes Szenario und dasselbe von Hand zusammengestellte Szenario liefern dieselben Ergebnisse.
Hinweis: Ein Assistent kann das Modell aufsetzen. Er löst es nie.
Muss ich Entwickler sein, um das zu nutzen?
Für API und SDK ja — oder Sie brauchen jemanden im Team, der es ist. Dass der Assistent das Skript schreibt, senkt die Hürde deutlich, aber jemand muss es weiterhin ausführen und nachlesen, was es getan hat. Der MCP-Server ist es, der diesen Schritt wegnimmt, und er kommt in den kommenden Wochen. Bis dahin ist das ein Ablauf für Teams mit etwas Skripting-Kompetenz; alle anderen arbeiten in der Web-App, in der dieselbe Optimierung läuft.
Sind unter zehn Minuten realistisch?
Für den gezeigten Aufbau ja: ein Projekt mit drei Varianten, mit Bedarf aus der Datenbank, mit der API-Spezifikation für den Assistenten verfügbar und jemandem, der weiss, was er modellieren will. Ein erster Versuch dauert länger, und der Optimierungslauf kommt obendrauf. Die Aussage betrifft das Aufsetzen von Szenarien, nicht das Erstellen eines fertigen Energiekonzepts.
Wann startet der MCP-Server?
In den kommenden Wochen. Die Client-Einrichtung für Claude Code, Claude Desktop, ChatGPT und Gemini CLI ist bereits dokumentiert, und der Endpunkt antwortet, sobald der Server ausgeliefert wird. Alles, was der Rundgang oben zeigt, funktioniert bereits heute ohne ihn, über die REST API und das SDK. Wenn Sie erfahren möchten, wann MCP verfügbar wird, erwähnen Sie es in einem Demo-Gespräch oder schreiben Sie uns.
Möchten Sie es an einem eigenen Projekt ausprobieren?
Starten Sie eine kostenlose Testversion und steuern Sie sie über die API, oder buchen Sie eine Demo, und wir gehen den Aufbau an einem Projekt durch, das Ihrem entspricht.