# 第一个模型

用两个整数变量表示产量，在满足需求的前提下最小化成本。运行前先完成[安装与许可证配置](installation.md)。

## 建模、求解与读值

```python
from optagent import OptModel

model = OptModel()
x = model.int(0, 10)
y = model.int(0, 10)
cost = 2 * x + y

model.constraint(x + y >= 7)
model.minimize(cost)

solution = model.solve(time_limit_s=1.0, log_level="off")
print(solution.status, solution.objectives)
if solution.feasible:
    print("x =", x.value, "y =", y.value, "cost =", cost.value)
```

示例不需要模型或变量名称：`x`、`y`、`cost` 是 Python 表达式引用，求解后通过 `.value` 读值。

这里的整数上下界都包含端点。`constraint()` 与 `add_constraint()` 等价；`minimize()` 声明最小化目标。这个小模型的数学最优解是 `x=0, y=7`，成本为 `7`；限时搜索的返回结果应以实际可行性与目标值为准。

## 选择精确求解后端

该模型是混合整数线性模型，可以复用模型并通过 OptX 选择 HiGHS：

```python
from optagent import HighsConfig

solution = model.solve_optx(config=HighsConfig(time_limit_s=5.0))
if solution.feasible:
    print(x.value, y.value)
```

这个整数模型也可以通过同一个入口选择内置 CP-SAT：

```python
from optagent import CpSatConfig

solution = model.solve_optx(config=CpSatConfig(time_limit_s=5.0))
if solution.feasible:
    print(x.value, y.value)
```

`HighsConfig` 和 `CpSatConfig` 分别选择对应后端；省略 `config` 时默认使用 HiGHS。所选后端不支持模型时会报告原因，不会自动更换后端。更多选择见[求解指南](../guide/solvers.md)。

## 接下来

- [建模指南](../guide/modeling.md)：集合、序列、区间与多目标。
- [选择求解路径](../guide/solvers.md)：能力范围和预算语义。
- [结果与诊断](../guide/results.md)：值何时有效、如何处理超时。
- [API 参考](../api/index.md)：查询调用与参数。