Van één prompt naar drie leveringsvarianten, in minder dan tien minuten.
De REST API en Python SDK van Sympheny zijn volledig gedocumenteerd, zodat een AI-assistent of coding agent een project kan opzetten, scenariovarianten kan aanmaken en een optimalisatierun kan starten. Wat er aan de andere kant uitkomt, verandert niet: dezelfde deterministische MILP-engine lost het model op, of een mens of een agent het nu heeft samengesteld.
Een assistent zet het model op. Sympheny lost het op.
Één prompt, drie leveringsvarianten — gasketel, warmtepomp met zonnepanelen op het dak en stadsverwarming — opgezet via de gedocumenteerde API. Clip zonder geluid; elke stap is op het scherm ondertiteld.
De details en de volledige handleiding in onze documentatie →Vijf stappen, van een geschreven briefing naar drie scenario's klaar om te optimaliseren.
De clip doorloopt een echte opzet: een briefing in gewone taal, het script dat de assistent daaruit maakt, de aannames die hij vooraf terugkoppelt, en de drie scenario's die er aan de andere kant uitkomen.
"Voeg na stap 1 een nieuwe stap toe die alle projecten opsomt…" — en de wizard heeft er een.
AI helpt u de interface te bouwen. Sympheny optimaliseert deterministisch, zoals altijd.
Een light app is een kleine, gerichte interface boven op Sympheny — een wizard die de vorm heeft van de studie die uw team echt draait, niet van het hele platform. U bouwt er een, en past hem aan, in de Light App Editor.
De clip laat zien hoe er een wordt aangepast. Een geschreven instructie voegt een stap toe aan een al uitgerolde wizard van vier stappen, de stappen daaronder krijgen een nieuw nummer, en het nieuwe scherm is twee seconden later live. De toegevoegde stap is geen mockup: hij roept GET /projects aan bij de Sympheny-backend en toont wat er terugkomt — eigenaar, status, laatste update — voor elk project in het account.
Een al uitgerolde wizard van vier stappen krijgt er een vijfde bij uit één geschreven instructie: in twee seconden uitgerold en met live gegevens uit de Sympheny-backend. Clip zonder geluid; elke stap is op het scherm ondertiteld. De clip laat een bestaande app zien die wordt uitgebreid, niet een app die vanaf nul wordt gebouwd.
Praat met ons over AI voor uw eigen light app →Alles wat een agent nodig heeft, is al gedocumenteerd.
Twee van de drie zijn vandaag al live: de REST API en de Python SDK zijn volledig gedocumenteerd en nu al aan te sturen. De MCP-server, waarmee een assistent verbinding maakt zonder dat u zelf iets hoeft te bouwen, komt in de komende weken beschikbaar.
REST API
Elk endpoint is publiek gedocumenteerd, met JWT-authenticatie, request- en response-schema's en een browsergebaseerde API Explorer. Projecten, analyses, scenario's, fasen, hubs, technologieën en solverberekeningen zijn allemaal bereikbaar.
REST API-referentie →Python SDK
sympheny-toolbox, de officiële client, vereist Python 3.11 of nieuwer en installeert met pip. De toolbox stelt elk gedocumenteerd endpoint beschikbaar als getypeerde methode met Pydantic-validatie, biedt bijbehorende synchrone en asynchrone clients, en regelt inloggen, tokencaching en verversing voor u. Uitgewerkte handleidingen behandelen het starten van een solverberekening en het downloaden van resultaten.
Python SDK-handleiding →MCP-server
Een remote Model Context Protocol-server, zodat een assistent Sympheny kan aanroepen via een standaardverbinding in plaats van met handgeschreven HTTP. De client-installatie voor Claude Code, Claude Desktop, ChatGPT en Gemini CLI is al vooraf gedocumenteerd, en het endpoint gaat antwoorden zodra de server in de komende weken live gaat. Tot die tijd doen de REST API en de SDK hetzelfde werk — dat is wat de walkthrough hierboven gebruikt.
MCP-installatie, vooraf gedocumenteerd →De documentatie is geschreven om door machines én mensen gelezen te worden.
docs.sympheny.com publiceert llms.txt, een compacte index van de documentatie in navigatievolgorde met één regel beschrijving per pagina, en llms-full.txt, de volledige set achter elkaar in leesvolgorde. Beide volgen de llms.txt-conventie.
Het praktische effect is dat u een assistent één URL kunt geven en hij het platform in context heeft — endpoints, schema's, modelstructuur en uitgewerkte voorbeelden — in plaats van de site te moeten doorzoeken of te gokken naar de vorm van een API.
De delen van het werk die het automatiseren waard zijn.
Werken met AI-assistenten en agents.
Kan ik Sympheny gebruiken met een AI-assistent of agent?
Ja. Sympheny publiceert een REST API en een Python SDK, beide volledig gedocumenteerd, zodat een assistent of coding agent scenario's kan aanmaken, optimalisatieruns kan starten en resultaten kan teruglezen. Een MCP-server komt in de komende weken beschikbaar. De installatie is gedocumenteerd op docs.sympheny.com. Er is standaard niets gekoppeld — u beslist of u het gebruikt.
Kan ik een light app aanpassen met een AI-assistent?
Ja. De Light App Editor neemt een instructie in gewone taal en past de app aan — in de clip hierboven komt er een wizardstap bij die alle projecten in het account opsomt, met een echte API-aanroep erachter, in twee seconden uitgerold. Wat u ziet is een aanpassing aan een app die al bestaat; er een vanaf nul bouwen is een langere klus. Hoe dan ook verandert de optimalisatie erachter niet: dezelfde deterministische MILP-engine lost het model op.
Als ik een assistent koppel, waar gaat mijn data dan naartoe?
Naar de aanbieder die u koppelt. Als u een assistent op Sympheny richt, gaat de scenariodata die hij verstuurt en ontvangt via die aanbieder, onder uw overeenkomst met hen, niet die van ons. Sympheny kiest de aanbieder niet voor u en integreert geen model van derden in de eigen berekeningspijplijn.
Verandert het koppelen van een assistent mijn resultaten?
Nee. Een assistent kan een scenario bouwen of aanpassen, maar de optimalisatie draait altijd op dezelfde deterministische MILP-engine. Een scenario dat door een assistent is samengesteld en hetzelfde scenario met de hand samengesteld leveren dezelfde resultaten.
Let op: Een assistent kan het model opzetten. Hij lost het nooit op.
Moet ik ontwikkelaar zijn om dit te gebruiken?
Voor de API en de SDK wel — of u hebt iemand in het team die dat is. De assistent het script laten schrijven verlaagt de drempel aanzienlijk, maar iemand moet het nog steeds draaien en lezen wat het heeft gedaan. De MCP-server is wat die stap wegneemt, en die komt in de komende weken. Tot die tijd is dit een workflow voor teams met enige scriptingcapaciteit; alle anderen werken in de webapp, waar dezelfde optimalisatie draait.
Is minder dan tien minuten realistisch?
Voor de opzet die hier te zien is wel: een project met drie varianten met vraag uit de database, met de API-specificatie beschikbaar voor de assistent en iemand die weet wat hij wil modelleren. Een eerste poging duurt langer, en de optimalisatierun komt daar nog bij. Het is een uitspraak over scenario-opzet, niet over het opleveren van een afgerond energieconcept.
Wanneer gaat de MCP-server live?
In de komende weken. De client-installatie voor Claude Code, Claude Desktop, ChatGPT en Gemini CLI is al gedocumenteerd, en het endpoint gaat antwoorden zodra de server live gaat. Alles wat de walkthrough hierboven laat zien, werkt vandaag al zonder MCP, via de REST API en de SDK. Wilt u bericht wanneer MCP er is, noem het dan tijdens een demogesprek of schrijf ons.
Wilt u het uitproberen op een eigen project?
Start een gratis proefperiode en stuur het aan via de API, of plan een demo en we lopen de opzet met u door op een project dat op het uwe lijkt.