Da una sola richiesta a tre varianti di approvvigionamento, in meno di dieci minuti.
La REST API e il Python SDK di Sympheny sono interamente documentati, così un assistente IA o un agente di codice può costruire un progetto, impostare le varianti di scenario e avviare un'ottimizzazione. Ciò che ne esce non cambia: il modello resta risolto dallo stesso motore MILP deterministico, che sia stato assemblato da una persona o da un agente.
Un assistente configura il modello. Sympheny lo risolve.
Una richiesta, tre varianti di approvvigionamento — caldaia a gas, pompa di calore con solare in copertura e teleriscaldamento — impostate tramite l'API documentata. Clip senza audio; ogni passaggio è descritto a schermo.
I dettagli e la guida completa nella nostra documentazione →Cinque passaggi, da un briefing scritto a tre scenari pronti da ottimizzare.
La clip percorre una configurazione reale: un briefing scritto in linguaggio corrente, lo script che l'assistente ne ricava, le ipotesi che segnala prima di eseguire e i tre scenari che ne risultano.
«Aggiungi un nuovo passaggio dopo il passaggio 1 che elenchi tutti i progetti…» — e il wizard ora ce l'ha.
L'IA vi aiuta a costruire l'interfaccia. Sympheny ottimizza in modo deterministico, come sempre.
Una light app è un'interfaccia piccola e mirata costruita sopra Sympheny — un wizard modellato sullo studio che il vostro team esegue davvero, invece dell'intera piattaforma. La costruite, e la modificate, nel Light App Editor.
La clip ne mostra una che viene modificata. Un'istruzione scritta aggiunge un passaggio a un wizard in quattro passaggi già pubblicato, i passaggi successivi si rinumerano e due secondi dopo la nuova schermata è in produzione. Il passaggio aggiunto non è un mock: chiama GET /projects sul backend di Sympheny e visualizza ciò che riceve — titolare, stato, ultimo aggiornamento — per ogni progetto dell'account.
Un wizard in quattro passaggi già pubblicato ne acquisisce un quinto da un'unica istruzione scritta, in produzione due secondi dopo e con i dati caricati in diretta dal backend di Sympheny. Clip senza audio; ogni passaggio è descritto a schermo. Mostra l'estensione di un'app esistente, non un'app costruita da zero.
Parliamo di come usare l'IA per la vostra light app →Tutto ciò che serve a un agente è già documentato.
Due delle tre sono attive già oggi: la REST API e il Python SDK sono interamente documentati e pilotabili da subito. Il server MCP, che permette a un assistente di collegarsi senza alcun lavoro di integrazione da parte vostra, arriverà nelle prossime settimane.
REST API
Ogni endpoint è documentato pubblicamente, con autenticazione JWT, schemi di richiesta e risposta e un API Explorer nel browser. Progetti, analisi, scenari, fasi, hub, tecnologie ed elaborazioni del solver sono tutti raggiungibili.
Riferimento della REST API →Python SDK
sympheny-toolbox, il client ufficiale, richiede Python 3.11 o successivo e si installa con pip. Espone ogni endpoint documentato come metodo tipizzato con validazione Pydantic, offre client sincroni e asincroni equivalenti e gestisce per voi accesso, cache e rinnovo dei token. Guide pratiche coprono l'esecuzione di un'elaborazione del solver e il download dei risultati.
Guida al Python SDK →Server MCP
Un server Model Context Protocol remoto, così un assistente può richiamare Sympheny su una connessione standard invece che con HTTP scritto a mano. La configurazione lato client per Claude Code, Claude Desktop, ChatGPT e Gemini CLI è documentata prima del lancio, e l'endpoint inizierà a rispondere quando il server sarà rilasciato, nelle prossime settimane. Fino ad allora la REST API e l'SDK svolgono la stessa funzione — ed è ciò che utilizza la panoramica qui sopra.
Configurazione MCP, documentata prima del lancio →La documentazione è scritta per essere letta dalle macchine tanto quanto dalle persone.
docs.sympheny.com pubblica llms.txt, un indice compatto della documentazione nell'ordine di navigazione con una descrizione di una riga per pagina, e llms-full.txt, l'insieme completo concatenato nell'ordine di lettura. Entrambi seguono la convenzione llms.txt.
L'effetto pratico è che potete passare a un assistente un solo URL e la piattaforma è nel suo contesto — endpoint, schemi, struttura del modello ed esempi pratici — invece di far scansionare il sito o indovinare la forma di un'API.
Le parti del lavoro che vale la pena automatizzare.
Lavorare con assistenti e agenti IA.
Posso usare Sympheny con un assistente o un agente IA?
Sì. Sympheny pubblica già oggi una REST API e un Python SDK, entrambi interamente documentati, così un assistente o un agente di codice può creare scenari, avviare ottimizzazioni e rileggere i risultati. Un server MCP arriverà nelle prossime settimane. La configurazione è documentata su docs.sympheny.com. Nulla è collegato di default — siete voi a decidere se utilizzarlo.
Posso modificare una light app con un assistente IA?
Sì. Il Light App Editor prende un'istruzione in linguaggio corrente e modifica l'app — la clip qui sopra aggiunge al wizard un passaggio che elenca tutti i progetti dell'account, sostenuto da una vera chiamata API e messo in produzione in due secondi. Ciò che mostra è la modifica di un'app che esiste già; costruirne una da zero è un lavoro più lungo. In entrambi i casi l'ottimizzazione che sta dietro non cambia: il modello resta risolto dallo stesso motore MILP deterministico.
Se collego un assistente, dove vanno i miei dati?
Al fornitore che collegate. Se puntate un assistente su Sympheny, i dati dello scenario che invia e riceve transitano da quel fornitore secondo il vostro accordo con lui, non il nostro. Sympheny non sceglie il fornitore al posto vostro e non integra alcun modello di terze parti nella propria pipeline di calcolo.
Collegare un assistente cambia i miei risultati?
No. Un assistente può costruire o modificare uno scenario, ma l'ottimizzazione viene sempre eseguita sullo stesso motore MILP deterministico. Uno scenario assemblato da un assistente e lo scenario identico assemblato a mano producono gli stessi risultati.
Nota: Un assistente può configurare il modello. Non lo risolve mai.
Devo essere uno sviluppatore per usarlo?
Per l'API e l'SDK sì — oppure vi serve qualcuno in squadra che lo sia. Far scrivere lo script all'assistente abbassa notevolmente l'ostacolo, ma qualcuno deve comunque eseguirlo e leggere cosa ha fatto. È il server MCP a eliminare questo passaggio, e arriverà nelle prossime settimane. Fino ad allora questo è un flusso di lavoro per team con una certa capacità di scripting; tutti gli altri lavorano nell'app web, dove gira la stessa ottimizzazione.
Meno di dieci minuti è realistico?
Per la configurazione mostrata sì: un progetto a tre varianti con la domanda ricavata dal database, con la specifica API a disposizione dell'assistente e qualcuno che sappia cosa vuole modellare. Un primo tentativo richiede più tempo, e l'esecuzione dell'ottimizzazione va aggiunta. È un'affermazione sull'impostazione degli scenari, non sulla produzione di un concetto energetico finito.
Quando sarà lanciato il server MCP?
Nelle prossime settimane. La configurazione lato client per Claude Code, Claude Desktop, ChatGPT e Gemini CLI è già documentata, e l'endpoint inizierà a rispondere al rilascio del server. Tutto ciò che mostra la panoramica qui sopra funziona già oggi senza di esso, tramite la REST API e l'SDK. Se volete essere avvisati quando MCP sarà disponibile, segnalatelo durante una demo o scriveteci.
Volete provarlo su un vostro progetto?
Avviate una prova gratuita e pilotatelo tramite l'API, oppure prenotate una demo e percorreremo la configurazione su un progetto che assomiglia al vostro.