AI GatewayAzure API Management: kontrollerar nyckel, begränsar anrop
MCP-serverC# i Azure App Service: översätter verktyg till API-anrop
API GatewayAzure API Management: skyddar och loggar API:t
Temperatur-APIC# i Azure App Service: läser och styr rummen
Så fungerar systemet
Webb, API och AI-agent går alla genom Azure API Management till samma temperatur-API, ett C#-program i Azure App Service. AI-flödet har ett steg till: en MCP-server som gör om agentens verktygsanrop till vanliga REST-anrop. AI Gateway och API Gateway är två API:er i samma APIM-instans, med olika nycklar och regler. Menyn högst upp väljer flöde, och kedjan under modellen visar bara de steg som flödet använder. Svep i sidled för att se hela diagrammen.
Agenten väljer, MCP-servern utför
Behövs MCP-servern, om agenten ändå förstår vad du vill? Ja, för de gör olika saker. Agenten läser det du skriver och väljer ett verktyg. MCP-servern talar om vilka verktyg som finns och vad de tar emot, och gör sedan om varje anrop till ett vanligt REST-anrop. Den läser aldrig din text, och den svarar likadant oavsett om det är Claude, ChatGPT eller Copilot som frågar.
AI-agenten
Vad vill användaren?
In
”Sätt Vasa till 23 grader”
Ut
set_room_temperature roomId 2.02, celsius 23
MCP-servern
Hur gör man det?
In
set_room_temperature roomId 2.02, celsius 23
Ut
PUT /rooms/2.02/setpoint { "setpointC": 23 }
Temperatur-API:t
Hur går det till?
In
PUT /rooms/2.02/setpoint { "setpointC": 23 }
Ut
Rummet går mot 23 °C, och sidan ser det inom några sekunder
En agent kan också anropa REST direkt. Då måste varje agent få veta API:t, nycklarna och reglerna var för sig. Med MCP frågar den servern vilka verktyg som finns och vad de gör.
Ett anrop, steg för steg
Ett anrop, steg för steg: från AI-agenten till temperatur-API:t och tillbaka
Servern använder Streamable HTTP och sparar inget mellan anropen, så en omstart gör ingen skada. Om API:t säger nej, till exempel med 404, får agenten ett verktygsfel som den kan läsa och agera på.
Azure AI Gateway
Allt en AI-agent skickar går först hit. AI Gateway är Azure API Management framför MCP-servern. Den släpper bara in rätt nyckel och håller anropen inom gränserna. Sedan hämtar den en token från Microsoft Entra ID med sin egen managed identity, en Azure-inloggning utan lösenord, och skickar den till MCP-servern. Klientens nyckel går aldrig vidare, och svaret strömmas tillbaka oläst.
Ett anrop genom AI Gateway: kontrollerna i ordning
Azure API Gateway
Den enda vägen in till temperatur-API:t, både för MCP-servern och för REST-anrop från till exempel Postman. Bara anrop som finns i API:ts lista släpps igenom. Temperatur-API:t tar bara emot anrop med en Entra-token som bara API Management kan få, så det går inte att nå det förbi gatewayen. API:t finns i två versioner: /building, som alla klienter använder, och /building/v2, som byggs från en OpenAPI-fil som API:t gör ur sin egen kod. Samma REST-nyckel fungerar på båda.
Ett anrop genom API Gateway: kontrollerna i ordning
Så är MCP-servern byggd
MCP-serverns delar, mellan de två gatewayerna
MCP-servern släpper bara in anrop med en Entra-token som bara Azure API Management kan få, så det går inte att komma förbi AI Gateway. Om en rapport till sidan försvinner fungerar verktyget ändå.
MCP-serverns verktyg
Agenten behöver ingen dokumentation. Den frågar servern vilka verktyg som finns, och beskrivningarna är skrivna för en språkmodell: när och hur varje verktyg ska användas. De är korta, för agentens app skickar dem till modellen i varje tur. Varje besökare har ett eget hus, och alla verktyg utom get_started och get_high_scores tar hus-ID:t från sidan.
Verktyg
REST-anrop
Till för
get_climate_status
GET /climate
Vädret och hur hårt klimataggregatet arbetar
get_weather_forecast
GET /forecast
Tre dygn framåt, ungefär så träffsäker som en riktig prognos
list_rooms
GET /rooms
Alla rum, och hur ett namn blir ett rums-id
find_rooms
GET /rooms?floor=2&hvac=cooling
Bara de rum som matchar
get_temperature_summary
GET /rooms/summary
Medelvärde, varmast, kallast och våningar, räknat i API:t
get_room
GET /rooms/{id}
Läser ett rums temperatur, börvärde och vad aggregatet gör där just nu
set_room_temperature
PUT /rooms/{id}/setpoint
Justerar ett rum, 16 till 28 °C
set_rooms_temperature
PUT /rooms/setpoint
Sätter samma temperatur i många rum, till exempel hela våning 2 till 21 °C
adjust_rooms_temperature
PUT /rooms/setpoint
Ändrar många rum lika mycket från var sitt värde, till exempel två grader varmare
wait_for_change
GET /changes
Väntar på att något händer i huset
get_started
Inget anrop
Berättar vad huset kan, och ger agenten demos att föreslå
run_day
POST /day
Kör ett dygn på 20 sekunder och ger kostnaden. I benchmarken körs dygnet direkt, helt eller några timmar i taget
get_day_report
GET /day/report
Hela loggen: aggregatet timme för timme och alla rum
get_room_day
GET /day/report/rooms/{id}
Ett rum timme för timme
analyze_sun
GET /day/analysis/sun
Var solfilm kan göra mest nytta
analyze_leaks
GET /day/analysis/leaks
Vilka rum som läcker värme, och vad det kostar
analyze_occupancy
GET /day/analysis/occupancy
Vilka rum som värms eller kyls utan människor i
analyze_unit
GET /day/analysis/unit
Aggregatets belastning och verkningsgrad under dygnet
apply_room_measure
PUT /rooms/measures
Testar solfilm, tätning eller närvarostyrning i simuleringen
analyze_satisfaction
GET /day/analysis/satisfaction
Hur nöjda de anställda är, och var de är minst nöjda
set_cooling_limit
PUT /rooms/cooling
Aggregatet kyler först över gränsen, och däremellan flyter rummet fritt
set_schedule
PUT /schedule
Timmar med mindre klimat, till exempel en sänkning på natten
start_benchmark
POST /benchmark/start
Startar benchmarken i huset: 10 dygn att lära av, sedan 1 övning och 1 final med de vanliga verktygen
submit_score
POST /benchmark/scores
Lägger ett resultat på topplistan
get_high_scores
GET /benchmark/scores
Läser topplistan
AI-agent jämfört med API-styrning
Med API:t styr en människa huset för hand: ett anrop i taget, med värden man själv har räknat ut. En AI-agent gör samma sorts anrop, men läser först hur huset betett sig och bestämmer sedan själv vad som ska ändras, rum för rum och timme för timme. Huset utan justeringar alls kostar 772,5 kr för tävlingsmomentets dygn, en kall dag som växlar fyra gånger. Den bästa språkmodellen, Claude Sonnet 5.5 med effort high, kom ner till 301,8 kr med 89,6 % nöjdhet. RL-agenten kom ner till 230,2 kr.
Vilka beslut fattar den
Den läser först. Tio dygn av huset utan justeringar alls visar var pengarna går: två tredjedelar av elen värmer ett tomt hus, och morgonen kör aggregatet på full last.
Den åtgärdar det som lönar sig. Tätar de rum som läcker mest, stänger av klimatet i förråd och teknikrum, och styr sällan använda rum efter närvaro.
Den planerar natten. Sänker när huset är tomt och värmer upp jämnt i tid, så att ingen timme blir dyr i effektavgift.
Den följer vädret och priset. Läser timprognosen, värmer när blåsten gör elen billig och låter huset gå på lagrad värme när elen är dyr.
Den ändrar under dagen. Kör dygnet i delar och flyttar värmen dit folk faktiskt är.
Fyra modeller, olika effort
Fyra Claude-modeller körde benchmarken med effort low, medium och high. Effort är hur mycket modellen får tänka innan den svarar. Alla kom ner till 520 kr eller lägre, mot 772,5 kr för huset utan justeringar alls. High gav lägst kostnad för alla fyra, och Opus, Sonnet och Haiku blev billigare för varje steg. Fable kostade mer med medium än med low. Gemini 3.1 Flash-Lite, den enda Gemini-modellen som Googles gratisnivå lät oss köra hela vägen, kom på 400,3 kr.
Tävlingsdygnets kostnad per modell och effort, i kronor
Kostnaden för tävlingsmomentets dygn, en stapel per körning. Alla höll minst 80 % nöjdhet. Peka på en stapel för antal anrop och tid.
Kostnad hittills under tävlingsdygnet, timme för timme, per modell
Vad dygnet har kostat hittills, timme för timme, en ruta per modell. Vid linjens slut står dygnets kostnad och hur lång tid körningen tog. Åtgärderna och effektavgiften är utslagna jämnt över dygnet. Peka på en timme för siffrorna.
Bästa och sämsta AI-försöket, vad skiljer?
Av språkmodellerna lyckades Claude Sonnet 5.5 med effort high bäst, och Claude Haiku 5.5 med effort low sämst. Samma dygn, helt olika beslut.
Vad
Bäst: Sonnet 5.5 high
Sämst: Haiku 5.5 low
Kostnad för dygnet
301,8 kr, 89,6 % nöjdhet
519,6 kr, 92,4 % nöjdhet
Rum som ingen använder
Förråd, teknikrum och arkiv på 10 °C, serverrum, garderob och cykelrum på 12 °C, sällan använda rum på 16 °C, tätning i 6 rum och kylgräns 22 °C
Alla sex rum utan folk, som förråd, på 12 °C, tätning i 5 rum, närvarostyrning i 5 rum och kylgräns 23 °C
Den kalla natten
Sänkte 12 grader kl. 17 till 4, så att huset fick svalna mot 16 °C, och värmde upp kl. 4 till 7, före folket
Inget schema. Aggregatet gick på full last kl. 0 till 3
Den dyra morgonen
Höll 19 °C i de stora kontoren när elen kostade 3,5 kr, och lät morgonsolen värma
Ingen ändring
När fronten kom
Värmde kontoren till 21 °C kl. 11 till 16, när blåsten gjorde elen billig
Ingen ändring
Kvällen
Kylde restaurangen under kvällsaktiviteten, och sänkte resten av huset
Ingen ändring. Aggregatet gick på nära full last kl. 20 till 24
Anrop och tid
39 anrop, 5 min 13 s
15 anrop, 39 s
Tokenkostnad, ungefär
1,33 dollar
0,04 dollar
Tokenkostnaden är räknad med Anthropics listpriser för det som körningen läste, skrev och hämtade ur cachen. Sonnet 5.5 kostar 2 dollar per miljon tokens in och 10 ut, Haiku 5.5 en tjugondel av det. Haiku ändrade huset bara vid midnatt, och körde sedan dygnet i fyra delar utan att ändra något mer.
Det här sparar mest
Natten. Ett tomt hus behöver inte 21 grader. Låt det svalna, men värm upp jämnt: aggregatet arbetar sämst på full last, och dygnets högsta timme kostar en effektavgift.
Husets tröghet. Väggarna lagrar värme. Det som sparas på natten måste vinnas tillbaka på morgonen, så sänkningen får inte bli för djup.
Läckande rum. Några rum läcker två till tre gånger mer än andra. Att täta dem kostar under en krona per rum och dygn.
Rum utan folk. Förråd och teknikrum klarar sig utan klimat. Ett lågt börvärde är sämre än avstängt, för då kyler aggregatet ner rummet.
Elpriset. Blåst gör elen billig och kyla gör den dyr. De bästa agenterna värmer när elen är billig och låter huset gå på lagrad värme när den är dyr.
Modellen bakom siffrorna
Solen går som i Stockholm i mitten av maj. Hur mycket som kommer in genom ett fönster beror på väderstreck och solhöjd. Molnen släpper igenom 25 till 100 % av solen, olika för varje sorts dygn.
Läckaget beror på ytterväggens storlek och på hur kallt det är ute. De tio sorternas dygn har en medeltemperatur från ungefär minus 1 till 13 °C. Tävlingsmomentet är kallare, i snitt minus 3,6 °C.
Vinden ökar läckaget, mest mot den sida den blåser på. Elpriset är en fast del på 0,80 kr plus ett marknadspris som faller med vinden, stiger med kylan och följer dygnets rytm, med toppar morgon och kväll. En stilla, kall morgon blir dyr. Priset gäller en hel timme.
Effektavgiften är 2,5 kr per kW av dygnets högsta timme, där timmarna 22 till 6 räknas till hälften, ungefär som hos Ellevio. Den lönar sig att värma upp jämnt.
De anställda är 120, och deras nöjdhet är 100 % vid 21 °C. Varje grad ifrån kostar 10 %. De känner av ett rum långsamt, under ungefär en timme, så ett kort besök räknas lite och en arbetsdag räknas fullt ut.
Huset har en termisk tröghet: 40 Wh per kvadratmeter och grad. Stängs aggregatet av svalnar rummen långsamt, och det tar tid att värma upp dem igen.
Detektorn räknar hur många som är i rummet. Varje människa genererar ungefär 100 W värme.
Aggregatet ger som mest 45 kW värme och 40 kW kyla, och går bäst vid ungefär 45 % belastning. Vid full last är verkningsgraden 75 % av den bästa, och vid 10 % last 58 %. Kurvan är någorlunda verklighetsbaserad.
Åtgärderna kostar per dygn: solfilm 0,14 kr per m² glas, tätning 0,82 kr per rum, närvarostyrning 0,91 kr per rum. Det är engångskostnader utslagna över deras livslängd.
Varför MCP?
Fyra Claude-modeller körde benchmarken två gånger var med effort medium: en gång genom MCP-servern och en gång genom husets vanliga REST-API, med API-dokumentationen i prompten och nyckeln i ett litet skript. Dokumentationen säger allt som MCP-verktygens beskrivningar säger. Varje körning var en ny agent utan minne av de andra.
Tävlingsdygnets kostnad: MCP mot REST, samma modell
Dygnets kostnad för varje par. Den gröna pricken är agenten via MCP-servern, den orange samma modell via REST-API:t. Peka på ett par för nöjdhet, anrop och tokenkostnad.
Tokenkostnad per körning: MCP mot REST, i dollar
Vad tokens kostade för varje körning, i dollar. Den gröna pricken är agenten via MCP-servern, den orange samma modell via REST-API:t. REST-vägen kostade mer för tre av fyra modeller. En trolig orsak: agenten skrev varje anrop som ett kommando i en terminal och läste hela JSON-svaren, medan MCP-verktygen ger kortare svar. Peka på ett par för skillnaden.
Kostnad hittills under dygnet: MCP mot REST
Vad dygnet har kostat hittills, timme för timme, för alla åtta körningar. De tunna linjerna är körningarna, de tjocka snittet för varje väg. Peka på en timme för siffrorna.
Vad testerna visar
Ingen av vägarna gav fel: alla åtta körningar gick hela vägen utan att API:t nekade ett enda anrop. MCP-vägen var billigare för Sonnet, 341,9 mot 386,7 kr, och lika för Opus, 313,7 mot 313,8 kr. REST-vägen var billigare för Fable, 326,8 mot 390,8 kr, och för Haiku, 363,4 mot 488,1 kr. I snitt kostade dygnet 383,6 kr via MCP och 347,7 kr via REST. Med en körning per modell och väg är skillnaden inte säker. REST-vägen gjorde fler anrop, 133 mot 112, och använde fler tokens, 7,21 mot 5,00 dollar för fyra körningar. Det MCP ger är alltså inte ett billigare dygn, utan att beskrivningarna följer med verktygen. I ett tidigare test saknade REST-dokumentationen flera fält, och då begick nio av tio REST-agenter fel som försämrade testresultatet.
Varför syns så lite skillnad?
REST-agenterna fick allt som brukar saknas. De hade en terminal, ett färdigt skript och komplett dokumentation. Utan det blir REST-vägen svårare, som det tidigare testet visade.
Verktygen är ett tunt lager över API:t. Varje MCP-verktyg anropar en route i REST-API:t och får samma svar. Agenten ser alltså samma fakta och fattar samma beslut.
Benchmarken mäter planen, inte vägen in. Dygnets kostnad beror på hur väl modellen planerar värmen. MCP gör inte en modell smartare.
Vad MCP-servern ger
En och samma sorts anslutning för alla klienter. Claude, ChatGPT, Copilot och Gemini CLI ansluter direkt, med en adress och en nyckel. Med REST-API:t behöver varje klient något eget emellan: ett skript, ett tillägg eller egna verktygsbeskrivningar. Gemini CLI körde benchmarken mot samma server utan en ny rad kod.
Agenten hittar verktygen själv. Agenten frågar servern vilka verktyg som finns, och varje beskrivning säger när och hur verktyget ska användas. Med REST-API:t måste någon ge agenten dokumentationen, och den måste vara komplett.
Ingen terminal behövs. En chattapp utan terminal kan ändå styra huset. Via REST måste agenten skriva egna HTTP-anrop.
Svar skrivna för en språkmodell. Korta svar med det som betyder något, i stället för hela JSON-objekt att tolka.
Klienten bestämmer. Klienten kan tillåta, stoppa eller fråga för varje verktyg, och nyckeln stannar i klientens inställningar. Via REST kan agenten skicka vilket anrop som helst, åtminstone om man inte använder Azure API Gateway som vi gör i detta fall.
Samma skydd. Båda vägarna går genom Azure API Management, med nyckel, gränser och loggning.
Kort sagt: MCP gör det enklare och säkrare att ansluta en agent. Det gör inte agenten smartare.
Nästa nivå, machine learning
RL-agenten är ingen språkmodell. Det är en policy, en samling tal, som har lärt sig driva huset genom förstärkningsinlärning: den har provat tiotusentals dygn i samma simulering som benchmarken och behållit det som blev billigt utan att de anställda frös eller svettades. Sedan tävlar den genom MCP-servern precis som Claude eller Gemini, med samma verktyg och samma regler.
Kostnad hittills under tävlingsdygnet: huset utan justeringar, bästa språkmodellen och RL-agenten
Vad dygnet har kostat hittills, timme för timme, samma dygn för alla tre. Huset utan justeringar alls går på full effekt genom den kalla natten och igen på kvällen. Språkmodellen och RL-agenten sänker på natten och värmer när elen är billig. Åtgärderna och effektavgiften för dygnets högsta timme är utslagna jämnt över dygnet. Peka på en timme för siffrorna.
Så är den byggd
RL-agentens delar: träning och tävling
Träningen och tävlingen är samma program. Träningen behöver inget nät, och tävlingen går genom Azure API Management som alla andra agenter.
Vad den ser
Vid midnatt: vädret, som säger vilken av de tio sorterna av dygn som kommer. Sedan tittar den på huset när något kan ändras, som benchmarken visar det: vädret och elpriset just då, hur hårt aggregatet arbetar, och hur många som är i varje rum.
Vad den bestämmer
40 rattar för varje sorts dygn. När natten sänks och hur mycket, när rummen värms igen, hur mycket de får flyta under morgonens elpristopp och under dagen, och temperaturen i fem grupper av rum: stora kontor, mötesrum, rum som sällan används, restaurangen och resten. Dessutom i vilka grupper av rum den styr efter folket, vad ett rum med folk får, hur mycket ett tomt rum sänks, aggregatets gräns under uppvärmningen, hur mycket elpriset får styra, en förskjutning för 13 tider på dygnet och hur stor del av den varje grupp av rum tar. Till sist en kylgräns: aggregatet kyler först över den.
Vad den belönas för
Lägre kostnad, och ett pris per procent nöjdhet. Priset ställs om under träningen så att ett tävlingsmoment landar på ungefär 84 % nöjdhet, med marginal till gränsen på 80.
Hur den lär sig
Korsentropimetoden. Varje omgång provar den 24 varianter av rattarna för varje sorts dygn, kör dem i egna simulerade hus, behåller den bästa fjärdedelen och flyttar sig mot dem. 80 omgångar är ungefär 58 000 simulerade arbetsdygn och tar en och en halv minut på en vanlig PC. Den här policyn har tränats 360 omgångar från start, på sex minuter, på dygn som kan växla två gånger och ha flera möten, som benchmarkens dygn. Den har aldrig sett tävlingsmomentets dygn.
RL-agentens träning: kostnad per dygn, omgång för omgång
En tidigare träning från start, 40 omgångar på en halv minut, med målet 82 % nöjdhet. Varannan omgång kör den alla träningsdygnen i åtta olika ordningar. De är lättare än tävlingsdygnet, så kostnaden här är lägre än i tävlingen. Kostnaden sjunker när den lär sig, och nöjdheten sjunker med den, för den lär sig hur lite värme som räcker för att landa nära målet. Peka på en omgång för siffrorna.
Koden finns i src/Newsec.Optimizer. Den är själv en MCP-server, så Claude kan träna den, fråga vad den lärt sig och skicka den att tävla, i en vanlig chatt.
Från kod till drift
Koden ligger i ett privat repo på GitHub. Varje push bygger och testar allt i GitHub Actions, och Vercel bygger sidan. C#-tjänsterna och API Management körs i Azure. CI deployar C#-tjänsterna vid varje push som ändrar dem, och API Management uppdateras med ett skript. En kontroll varje timme provar hela kedjan och säger till om något är nere, och Azure mejlar om gatewayen eller apparna börjar svara med fel. Alla hemligheter ligger i Key Vault. API Management och apparna läser dem med egna managed identities, så ingen inställning innehåller ett lösenord.
Från kod till drift: GitHub, Vercel och Azure
Gröna pilar är kod på väg ut, orange är anrop från besökare och agenter, streckat är kontrollen varje timme och sidans liveanrop. CI deployar de två apparna själv, med en Azure-inloggning utan lösenord (OpenID Connect) som bara får deploya dem. API Management uppdateras för hand med ett skript, eftersom ett fel där kan stoppa hela kedjan.
Så växte repot
Allt på den här sidan byggdes på fyra dagar: sidan, temperatur-API:t och simuleringen, MCP-servern, Azure API Management, RL-agenten, testerna och dokumentationen. Diagrammet visar hur många rader kod varje del hade, vid slutet av varje dag, från första commit till nu.
Rader kod nu
23 561i 141 filer
Rader skrivna
33 64610 085 av dem skrevs om eller togs bort
Commits
273på 4 dagar
Automatiska tester
339C#, JavaScript och sidtestet
Rader kod per del, vid slutet av varje arbetsdag
Rader i textfiler per del vid slutet av varje arbetsdag. Bilder, typsnitt, data och sparade testkörningar räknas inte. Peka på en dag för dagens viktigaste ändringar.
Diagrammet byggs från git log med node scripts/repo-history.mjs.