De una sola instrucción a tres variantes de suministro, en menos de diez minutos.
La API REST y el SDK de Python de Sympheny están completamente documentados, de modo que un asistente de IA o un agente de programación puede construir un proyecto, preparar variantes de escenario y lanzar una optimización. Lo que sale por el otro lado no cambia: el mismo motor MILP determinista resuelve el modelo, lo haya ensamblado una persona o un agente.
Un asistente prepara el modelo. Sympheny lo resuelve.
Una instrucción, tres variantes de suministro — caldera de gas, bomba de calor con fotovoltaica en tejado y calefacción urbana — preparadas a través de la API documentada. Clip sin sonido; cada paso está subtitulado en pantalla.
Los detalles y la guía completa en nuestra documentación →Cinco pasos, de un encargo escrito a tres escenarios listos para optimizar.
El clip recorre una preparación real: un encargo redactado en lenguaje natural, el script que el asistente produce a partir de él, los supuestos que señala antes de ejecutar y los tres escenarios que salen por el otro lado.
«Añade un paso nuevo después del paso 1 que liste todos los proyectos…» — y el wizard ya lo tiene.
La IA te ayuda a construir la interfaz. Sympheny optimiza de forma determinista, como siempre.
Una light app es una interfaz pequeña y acotada construida sobre Sympheny — un wizard con la forma del estudio que tu equipo ejecuta de verdad, en lugar de la plataforma entera. La construyes, y la modificas, en el Light App Editor.
El clip muestra cómo se modifica una. Una instrucción escrita añade un paso a un wizard de cuatro pasos ya desplegado, los pasos posteriores se renumeran y la pantalla nueva está en producción dos segundos después. El paso añadido no es una maqueta: llama a GET /projects contra el backend de Sympheny y muestra lo que devuelve — propietario, estado, última actualización — para cada proyecto de la cuenta.
Un wizard de cuatro pasos ya desplegado gana un quinto a partir de una sola instrucción escrita, en producción dos segundos después y cargando datos en vivo del backend de Sympheny. Clip sin sonido; cada paso está subtitulado en pantalla. Muestra cómo se amplía una light app que ya existe, no cómo se construye una desde cero.
Habla con nosotros sobre usar IA para tu propia light app →Todo lo que un agente necesita ya está documentado.
Dos de las tres están disponibles ya hoy: la API REST y el SDK de Python están completamente documentados y se pueden manejar ahora mismo. El servidor MCP, que permite a un asistente conectarse sin que tengas que montar nada, llegará en las próximas semanas.
API REST
Cada endpoint está documentado públicamente, con autenticación JWT, esquemas de petición y respuesta y un API Explorer en el navegador. Proyectos, análisis, escenarios, etapas, hubs, tecnologías y ejecuciones del solver: todo es accesible.
Referencia de la API REST →SDK de Python
sympheny-toolbox, el cliente oficial, requiere Python 3.11 o posterior y se instala con pip. Expone cada endpoint documentado como método tipado con validación Pydantic, ofrece clientes síncronos y asíncronos equivalentes, y gestiona por ti el inicio de sesión, el almacenamiento en caché del token y su renovación. Hay guías prácticas para lanzar una ejecución del solver y descargar los resultados.
Guía del SDK de Python →Servidor MCP
Un servidor remoto de Model Context Protocol, para que un asistente pueda llamar a Sympheny mediante una conexión estándar en lugar de HTTP escrito a mano. La configuración en el cliente para Claude Code, Claude Desktop, ChatGPT y Gemini CLI está documentada antes del lanzamiento, y el endpoint empezará a responder cuando el servidor se publique en las próximas semanas. Hasta entonces, la API REST y el SDK cumplen la misma función — es lo que utiliza el recorrido de arriba.
Configuración de MCP, documentada antes del lanzamiento →La documentación está escrita para que la lean tanto las máquinas como las personas.
docs.sympheny.com publica llms.txt, un índice compacto de la documentación en orden de navegación con una descripción de una línea por página, y llms-full.txt, el conjunto completo concatenado en orden de lectura. Ambos siguen la convención llms.txt.
El efecto práctico es que puedes darle a un asistente una sola URL y ya tiene la plataforma en contexto — endpoints, esquemas, estructura del modelo y ejemplos prácticos — en lugar de rastrear el sitio o adivinar la forma de una API.
Las partes del trabajo que merece la pena automatizar.
Trabajar con asistentes y agentes de IA.
¿Puedo usar Sympheny con un asistente o un agente de IA?
Sí. Sympheny publica una API REST y un SDK de Python, ambos completamente documentados, de modo que un asistente o un agente de programación puede crear escenarios, lanzar optimizaciones y leer los resultados. Un servidor MCP llegará en las próximas semanas. La configuración está documentada en docs.sympheny.com. No hay nada conectado por defecto — tú decides si lo utilizas.
¿Puedo editar una light app con un asistente de IA?
Sí. El Light App Editor toma una instrucción en lenguaje natural y modifica la app — el clip de arriba añade un paso al wizard que lista todos los proyectos de la cuenta, respaldado por una llamada real a la API y desplegado en dos segundos. Lo que muestra es un cambio sobre una app que ya existe; construir una desde cero es un trabajo más largo. En cualquier caso, la optimización que hay detrás no cambia: el mismo motor MILP determinista resuelve el modelo.
Si conecto un asistente, ¿a dónde van mis datos?
Al proveedor que conectes. Si apuntas un asistente a Sympheny, los datos de escenario que envía y recibe pasan por ese proveedor bajo tu acuerdo con él, no bajo el nuestro. Sympheny no elige el proveedor por ti y no incorpora ningún modelo de terceros en su propio pipeline de cálculo.
¿Conectar un asistente cambia mis resultados?
No. Un asistente puede construir o modificar un escenario, pero la optimización se ejecuta siempre en el mismo motor MILP determinista. Un escenario ensamblado por un asistente y el mismo escenario ensamblado a mano producen los mismos resultados.
Nota: Un asistente puede preparar el modelo. Nunca lo resuelve.
¿Necesito ser desarrollador para usar esto?
Para la API y el SDK, sí — o necesitas a alguien en el equipo que lo sea. Que el asistente escriba el script baja el umbral considerablemente, pero alguien tiene que ejecutarlo y leer qué hizo. El servidor MCP es lo que elimina ese paso, y llegará en las próximas semanas. Hasta entonces, este es un flujo de trabajo para equipos con cierta capacidad de scripting; el resto trabaja en la aplicación web, donde se ejecuta la misma optimización.
¿Es realista menos de diez minutos?
Para la preparación que se muestra, sí: un proyecto de tres variantes con la demanda tomada de la base de datos, con la especificación de la API a disposición del asistente y alguien que sepa qué quiere modelar. Un primer intento lleva más tiempo, y la ejecución de la optimización va aparte. Es una afirmación sobre la preparación de escenarios, no sobre producir un concepto energético terminado.
¿Cuándo se lanza el servidor MCP?
En las próximas semanas. La configuración en el cliente para Claude Code, Claude Desktop, ChatGPT y Gemini CLI ya está documentada, y el endpoint empezará a responder cuando el servidor se publique. Todo lo que muestra el recorrido de arriba funciona hoy sin él, a través de la API REST y el SDK. Si quieres que te avisemos cuando MCP esté disponible, coméntalo en una llamada de demo o escríbenos.
¿Quieres probarlo en un proyecto propio?
Empieza una prueba gratuita y manéjalo a través de la API, o reserva una demo y recorreremos la preparación en un proyecto como el tuyo.