Von einem Prompt zu drei Versorgungsvarianten, in unter zehn Minuten.
Die REST API und das Python SDK von Sympheny sind vollständig dokumentiert, sodass ein KI-Assistent oder Coding-Agent ein Projekt anlegen, Szenariovarianten aufsetzen und einen Optimierungslauf starten kann. Was am Ende herauskommt, ändert sich dadurch nicht: Dasselbe deterministische MILP-Optimierungsmodul löst das Modell, unabhängig davon, ob ein Mensch oder ein Agent es zusammengestellt hat.
Ein Assistent setzt das Modell auf. Sympheny löst es.
Ein Prompt, drei Versorgungsvarianten — Gaskessel, Wärmepumpe mit Dach-Photovoltaik und Fernwärme — aufgesetzt über die dokumentierte API. Video ohne Ton; jeder Schritt ist im Bild beschriftet.
Details und die vollständige Anleitung finden Sie in unserer Dokumentation →Fünf Schritte, von der schriftlichen Aufgabenstellung zu drei optimierbereiten Szenarien.
Das Video zeigt einen echten Aufbau: eine in normaler Sprache formulierte Aufgabenstellung, das Skript, das der Assistent daraus erzeugt, die Annahmen, die er vor dem Start zurückmeldet, und die drei Szenarien, die am Ende dabei herauskommen.
„Nach Schritt 1 einen neuen Schritt einfügen, 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, der der Studie folgt, die Ihr Team tatsächlich rechnet, statt die ganze Plattform abzubilden. Aufgebaut und geändert wird sie im Light App Editor.
Der Clip zeigt, wie eine davon geändert wird. Eine schriftliche Anweisung fügt einem Wizard mit vier Schritten, der bereits im Einsatz ist, einen weiteren hinzu, die Schritte darunter werden neu nummeriert, und zwei Sekunden später ist die neue Ansicht live. Der neue Schritt ist keine Attrappe: Er ruft GET /projects im Sympheny-Backend auf und zeigt an, was zurückkommt — Eigentümer, Status, letzte Änderung — für jedes Projekt im Konto.
Ein Wizard mit vier Schritten, der bereits im Einsatz ist, bekommt aus einer einzigen schriftlichen Anweisung einen fünften — zwei Sekunden später live, mit Daten direkt aus dem Sympheny-Backend. Video ohne Ton; jeder Schritt ist im Bild beschriftet. Zu sehen ist, wie eine bestehende App erweitert wird, nicht wie eine von Grund auf neu entsteht.
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: Die REST API und das Python SDK sind vollständig dokumentiert und sofort ansteuerbar. Der MCP-Server, über den sich ein Assistent ohne eigene Anbindungsarbeit verbinden kann, kommt in den kommenden Wochen.
REST API
Jeder Endpunkt ist öffentlich dokumentiert, mit JWT-Authentifizierung, Schemata für Anfragen und Antworten und einem API Explorer im Browser. Projekte, Analysen, Szenarien, Stufen, Hubs, Technologien und Solver-Läufe sind alle erreichbar.
Referenz zur REST API →Python SDK
sympheny-toolbox, der offizielle Client, benötigt Python 3.11 oder neuer und wird mit pip installiert. Jeder dokumentierte Endpunkt liegt als typisierte Methode mit Pydantic-Validierung vor, es gibt passende synchrone und asynchrone Clients, und Login, Token-Caching und -Erneuerung übernimmt der Client für Sie. Ausgearbeitete Anleitungen zeigen, wie Sie einen Solver-Lauf starten und Ergebnisse herunterladen.
Anleitung zum Python SDK →MCP-Server
Ein Remote-Server für das Model Context Protocol, über den ein Assistent Sympheny per Standardverbindung aufruft statt per handgeschriebenem 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 die REST API und das SDK dasselbe — genau das nutzt der Durchlauf oben.
MCP-Einrichtung, vorab dokumentiert →Die Dokumentation ist so geschrieben, dass Maschinen sie genauso lesen können wie Menschen.
docs.sympheny.com veröffentlicht llms.txt, einen kompakten Index der Dokumentation in Navigationsreihenfolge mit einer Zeile Beschreibung pro Seite, und llms-full.txt, den gesamten Bestand aneinandergehängt in Lesereihenfolge. 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 durchsuchen oder den Aufbau einer API erraten zu müssen.
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 bereits heute 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 bearbeiten?
Ja. Der Light App Editor nimmt eine Anweisung in normaler Sprache entgegen und ändert die App — im Clip oben kommt ein Wizard-Schritt hinzu, der jedes Projekt im Konto auflistet, hinterlegt mit einem echten API-Aufruf und zwei Sekunden später live. Zu sehen ist die Änderung an einer App, die es bereits gibt; eine von Grund auf neu zu bauen, ist mehr Arbeit. In beiden Fällen bleibt die Optimierung dahinter unverändert: 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 die API und das SDK ja — oder Sie brauchen jemanden im Team, der es ist. Dass der Assistent das Skript schreibt, senkt die Hürde erheblich, aber jemand muss es dennoch ausführen und nachlesen, was es getan hat. Genau diesen Schritt nimmt der MCP-Server weg, und er kommt in den kommenden Wochen. Bis dahin ist das ein Workflow für Teams mit etwas Skripting-Erfahrung; 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, dessen Bedarf aus der Datenbank stammt, wobei der Assistent die API-Spezifikation zur Verfügung hat und jemand weiß, was modelliert werden soll. Ein erster Versuch dauert länger, und der Optimierungslauf kommt obendrauf. Die Aussage betrifft den Szenario-Aufbau, 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 Durchlauf oben zeigt, funktioniert schon heute ohne ihn, über die REST API und das SDK. Wenn Sie erfahren möchten, wann MCP verfügbar ist, erwähnen Sie es in einem Demo-Termin oder schreiben Sie uns.
Möchten Sie es an einem eigenen Projekt ausprobieren?
Starten Sie eine kostenlose Testversion und steuern Sie Sympheny über die API, oder buchen Sie eine Demo, und wir gehen den Aufbau an einem Projekt durch, das Ihrem entspricht.