FERS vanuit de terminal en vanuit code-agents

1. Installeren, en kijken wat u hebt

Eén pakket bevat de modelobjecten, de gecompileerde solver en het commando. fers doctor toont de versies en waar de voorbeelden staan; met een sleutel vraagt het ook aan de licentieserver of die sleutel wordt geaccepteerd.

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

Zonder API-sleutel rekent de solver op het gratis abonnement, voor niet-commercieel gebruik tot 100 staven, en doet hij geen enkele netwerkaanroep. Zet een sleutel in FERS_API_KEY (of geef --api-key mee) voor Pro, dat commercieel gebruik dekt; de solver controleert hem dan één keer per berekening bij ferscloud.com.

2. De cyclus: modelleren, valideren, rekenen, lezen

Modelleren blijft in Python, waar de objecten en de genummerde voorbeelden zijn. Het commando neemt het over bij het bestand: het valideert de JSON tegen het invoerschema van de solver, geeft hem ongewijzigd door en meldt in één regel.

1. Het model in Python bouwen — Bouw het met fers_core in SI-eenheden en sla het op met model.save_to_json("model.json"). fers examples list en fers examples show 001 zijn de snelste referentie voor de objecten-API.
2. Het bestand valideren — fers validate model.json toetst het aan het invoerschema en noemt het veld dat niet klopt. fers schema --list en fers schema Member tonen het schema als een veldnaam onzeker is.
3. Naar een bestand rekenen — fers solve model.json --out results.json schrijft de resultaten rechtstreeks naar het bestand. Op stdout komt één samenvattingsregel, of met --json een JSON-object.
4. Een selectie lezen — Laad het gerekende bestand met FERS.from_json en lees het belastinggeval of de combinatie die u nodig hebt, of vraag de solver vooraf om minder met een ResultRequest.

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. Resultaten blijven in bestanden

fers solve parst de resultaten nooit: de solver schrijft ze en het commando leest alleen terug wat de samenvatting nodig heeft. Een model dat honderden megabytes schrijft, kost het proces — en de context van een agent — niets. De exitcode zegt wat er is gebeurd, zodat een script of agent kan vertakken zonder proza te lezen.

• 0 gerekend. 4 gerekend, maar de solver heeft mislukkingen vastgelegd (solve_failures, load_case_failures): lees die voordat u een getal gebruikt.
• 1 de solver heeft de berekening geweigerd of ze is mislukt, met zijn melding op stderr. 2 ongeldige invoer: ontbrekend bestand, ongeldige JSON, een model dat het schema niet haalt.
• 3 licentie: geen sleutel waar er een nodig is, een geweigerde sleutel, of een licentiecontrole die te lang duurde.
• De samenvattingsregel telt belastinggevallen, combinaties, vastgelegde mislukkingen, niet-geconvergeerde resultaatsets en de fouten en waarschuwingen van de solver.

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. Toetsen en rapporten

Een model met toetsdefinities — check_beam in fers_core.builders bouwt er een in één regel — krijgt zijn EN 1993-1-1-oordeel van fers check: status, unity check en maatgevende staaf per toets. fers report rendert het HTML-rapport met handberekening uit een al gerekend document, zonder opnieuw te rekenen.

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. Catalogi en het schema

De profieltabellen (EN, British Steel, AISC) en de materiaalvoorkeuzes zijn dezelfde als die de Python-objecten opzoeken, afgedrukt in SI zodat een waarde tegen een tabellenboek gecontroleerd kan worden voordat hij een model ingaat.

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. Code-agents en het skill-bestand

Een agent met een shell — Claude Code, Codex, de agent van Cursor, een CI-runner — heeft geen server en geen connector nodig: het pakket is de solver. Wat hij nodig heeft, is de cyclus hierboven in een vorm die hij leest voordat hij begint, en dat is het skill-bestand: één pagina in het skill-formaat met de installatiestap, de cyclus, hoe resultaten te lezen en wanneer de MCP-server beter past.

Het bestand zit in het pakket, en fers skill --install . schrijft het naar .claude/skills/fers/SKILL.md, waar Claude Code kijkt; fers skill --path noemt het pad voor elke andere agent. Het staat ook in de FERS_core-repository. Agents die lezen in plaats van aanroepen hebben nog steeds llms.txt en de Markdown-versie van deze pagina op /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 of MCP?

Waar de agent draait beslist, niet welk protocol in het abstracte beter is. Beide routes draaien dezelfde solver en geven dezelfde getallen.

• Een terminal-agent (Claude Code, Codex, een CI-job) installeert het pakket: de berekening draait op zijn eigen machine in solvertijd, er zijn geen verzoeklimieten of time-outs, resultaten blijven in bestanden, en hij modelleert in Python aan de hand van de voorbeelden.
• Een desktop- of editorclient (Claude Desktop, Cursor, VS Code, ChatGPT desktop) gebruikt de lokale MCP-server: die rekent op dezelfde machine, en één toolaanroep geeft de getoetste getallen terug. Ook een terminal-agent kan hem gebruiken; voor een kant-en-klare toets heeft hij er minder beurten voor nodig dan met het commando.
• Een chatapp in de browser of op een telefoon gebruikt de gehoste MCP-server: die bouwt en valideert het model en geeft een link terug die het in uw browser doorrekent.
• Beide kunnen één account delen: de API-sleutel die de grenzen van het commando verhoogt, is de sleutel die de MCP-server accepteert.