FERS im Terminal und aus Coding-Agenten

1. Installieren und prüfen, was da ist

Ein Paket enthält die Modellobjekte, den kompilierten Solver und den Befehl. fers doctor zeigt die Versionen und den Ort der Beispiele; mit einem Schlüssel fragt es außerdem den Lizenzserver, ob der Schlüssel akzeptiert wird.

pip install FERS
fers doctor --offline      # versions and where the examples live
fers version

Ohne API-Schlüssel rechnet der Solver im kostenlosen Tarif, für die nicht-kommerzielle Nutzung bis 100 Stäbe, und macht keinerlei Netzwerkaufruf. Hinterlegen Sie einen Schlüssel in FERS_API_KEY (oder übergeben Sie --api-key) für Pro, das die kommerzielle Nutzung abdeckt; der Solver prüft ihn dann einmal je Berechnung bei ferscloud.com.

2. Der Ablauf: modellieren, prüfen, rechnen, lesen

Modelliert wird weiter in Python, wo die Objekte und die nummerierten Beispiele sind. Der Befehl übernimmt bei der Datei: Er prüft das JSON gegen das Eingabeschema des Solvers, übergibt es unverändert und meldet in einer Zeile.

1. Das Modell in Python aufbauen — Bauen Sie es mit fers_core in SI-Einheiten und speichern Sie es mit model.save_to_json("model.json"). fers examples list und fers examples show 001 sind die schnellste Referenz für die Objekt-API.
2. Die Datei prüfen — fers validate model.json prüft sie gegen das Eingabeschema und nennt das Feld, das nicht passt. fers schema --list und fers schema Member zeigen das Schema, wenn ein Feldname unsicher ist.
3. In eine Datei rechnen — fers solve model.json --out results.json schreibt die Ergebnisse direkt in die Datei. Auf stdout erscheint eine Zusammenfassungszeile, mit --json ein JSON-Objekt.
4. Eine Auswahl lesen — Laden Sie die gerechnete Datei mit FERS.from_json und lesen Sie den Lastfall oder die Kombination, die Sie brauchen — oder fordern Sie mit einem ResultRequest von vornherein weniger an.

python build_model.py                     # authors with fers_core and saves model.json
fers validate model.json                  # the input schema, naming the field that fails
fers solve model.json --out results.json  # the engine streams the results to the file
# solved: 3 load cases, 8 combinations in 0.4 s -> results.json (2.1 MB)

3. Ergebnisse bleiben in Dateien

fers solve parst die Ergebnisse nie: Der Solver schreibt sie, und der Befehl liest nur so viel zurück, wie die Zusammenfassung braucht. Ein Modell, das Hunderte Megabyte schreibt, kostet den Prozess — und den Kontext eines Agenten — nichts. Der Exit-Code sagt, was passiert ist, sodass ein Skript oder Agent verzweigen kann, ohne Prosa zu lesen.

• 0 gerechnet. 4 gerechnet, aber der Solver hat Fehlschläge protokolliert (solve_failures, load_case_failures): Lesen Sie sie, bevor Sie eine Zahl verwenden.
• 1 der Solver hat die Berechnung abgelehnt oder sie ist gescheitert, mit seiner Meldung auf stderr. 2 ungültige Eingabe: fehlende Datei, ungültiges JSON, ein Modell, das das Schema verletzt.
• 3 Lizenz: kein Schlüssel, wo einer nötig ist, ein abgelehnter Schlüssel oder eine Zeitüberschreitung der Lizenzprüfung.
• Die Zusammenfassungszeile zählt Lastfälle, Kombinationen, protokollierte Fehlschläge, nicht konvergierte Ergebnissätze sowie die Fehler und Warnungen des Solvers.

from fers_core import FERS, ResultBlock, ResultRequest

# Before solving: ask the engine for only the blocks you will read.
model.settings.analysis_options.result_requests = [
    ResultRequest(ResultBlock.REACTIONS, limit_state="ULS"),
    ResultRequest(ResultBlock.NODE_DISPLACEMENTS, components=["dy"]),
]
model.save_to_json("model.json")

# After "fers solve model.json --out results.json":
solved = FERS.from_json("results.json")
case = solved.resultsbundle.loadcombinations["ULS 1"]
print(case.reaction_nodes["1"].nodal_forces.fy)

4. Nachweise und Berichte

Ein Modell mit Nachweisdefinitionen — check_beam in fers_core.builders baut eines in einer Zeile — bekommt sein Urteil nach EN 1993-1-1 von fers check: Status, Ausnutzung und maßgebender Stab je Nachweis. fers report rendert den HTML-Bericht mit Handrechnung aus einem bereits gerechneten Dokument, ohne erneut zu rechnen.

fers check beam.json --out beam_solved.json
# ec3: Green, utilization 0.778, governing 1 in combination 1
fers report beam_solved.json --out report.html

5. Kataloge und das Schema

Die Profiltabellen (EN, British Steel, AISC) und die Werkstoffvorgaben sind dieselben, die die Python-Objekte auflösen, in SI ausgegeben, damit ein Wert gegen ein Tabellenbuch geprüft werden kann, bevor er ins Modell geht.

fers sections list --series HEB
fers sections get IPE200          # h, b, i_y, i_z, j, area, wel, wpl ... in m, m2, m4
fers materials list
fers materials get S355 --json
fers schema --list                # the schema's definitions, one line each
fers schema Member                # one definition in full

6. Coding-Agenten und die Skill-Datei

Ein Agent mit Shell — Claude Code, Codex, der Agent von Cursor, ein CI-Runner — braucht weder Server noch Connector: Das Paket ist der Solver. Was er braucht, ist der obige Ablauf in einer Form, die er vor dem Start liest, und genau das ist die Skill-Datei: eine Seite im Skill-Format mit dem Installationsschritt, dem Ablauf, dem Lesen der Ergebnisse und dem Hinweis, wann stattdessen der MCP-Server passt.

Die Datei steckt im Paket, und fers skill --install . schreibt sie nach .claude/skills/fers/SKILL.md, wo Claude Code nachsieht; fers skill --path nennt sie für jeden anderen Agenten. Sie lebt außerdem im FERS_core-Repository. Agenten, die lesen statt aufrufen, haben weiterhin llms.txt und die Markdown-Fassung dieser Seite unter /docs/command-line.md.

fers skill --install .     # writes .claude/skills/fers/SKILL.md, where Claude Code looks
fers skill --path          # the file's path, for any other agent
fers skill                 # or read it

7. CLI oder MCP?

Entscheidend ist, wo der Agent läuft, nicht welches Protokoll abstrakt besser ist. Beide Wege nutzen denselben Solver und liefern dieselben Zahlen.

• Ein Terminal-Agent (Claude Code, Codex, ein CI-Job) installiert das Paket: Die Berechnung läuft auf seinem eigenen Rechner in Solver-Zeit, es gibt keine Anfragelimits oder Zeitüberschreitungen, Ergebnisse bleiben in Dateien, und er modelliert in Python anhand der Beispiele.
• Ein Desktop- oder Editor-Client (Claude Desktop, Cursor, VS Code, ChatGPT Desktop) nutzt den lokalen MCP-Server: Er rechnet auf demselben Rechner, und ein einziger Tool-Aufruf liefert die geprüften Zahlen. Auch ein Terminal-Agent kann ihn nutzen; für einen schlüsselfertigen Nachweis braucht er damit weniger Runden als mit dem Befehl.
• Eine Chat-App im Browser oder auf dem Telefon nutzt den gehosteten MCP-Server: Er erstellt und validiert das Modell und liefert einen Link, der es in Ihrem Browser berechnet.
• Beide können ein Konto teilen: Der API-Schlüssel, der die Grenzen des Befehls anhebt, ist der Schlüssel, den der MCP-Server akzeptiert.