Kimi K2.6 API Eğitimi: Bir Yapay Zekâ İş Arama Asistanı Oluşturma

2. Proje Yapılandırmasını Tanımlayın 

Jupyter Notebook’u başlatın, yeni bir hücre oluşturun ve gerekli içe aktarımlar ile proje yapılandırmasını ekleyin.

import json
import os

import requests
from agents import Agent, AsyncOpenAI, ModelSettings, OpenAIChatCompletionsModel, RunConfig, Runner, function_tool, set_tracing_disabled
from IPython.display import Markdown, display
from pypdf import PdfReader

Şimdi model adını, API uç noktalarını, azami ajan turunu, CV yolunu ve iş tercihlerini tanımlayın.

KIMI_MODEL = "kimi-k2.6"
KIMI_BASE_URL = "https://api.moonshot.ai/v1"
OLOSTEP_SEARCH_URL = "https://api.olostep.com/v1/searches"
OLOSTEP_SCRAPE_URL = "https://api.olostep.com/v1/scrapes"
MAX_AGENT_TURNS = 25


cv_path = "abid-resume.pdf"
preferences = """
Remote data science, AI writer, or technical writer roles in AI, machine learning, data science, or cloud.
Prefer technical content, tutorials, developer education, research writing, and AI product storytelling.
""".strip()


set_tracing_disabled(True)

KIMI_MODEL ve KIMI_BASE_URL değerleri, uygulamaya Moonshot AI’in OpenAI uyumlu API uç noktası üzerinden Kimi K2.6’yı kullanmasını söyler. Olostep URL’leri canlı iş araması ve sayfa kazıma için kullanılır.

cv_path değişkeni adayın özgeçmiş PDF’sini işaret eder. PDF’yi aynı proje klasörüne kaydettiğinizden emin olun ya da başka bir yerdeyse yolu güncelleyin.

preferences değişkeni ajana hangi tür işleri araması gerektiğini söyler. Bunu hedef rol, sektör, konum, kıdem düzeyi veya tercih edilen çalışma biçimine göre güncelleyebilirsiniz.

Varsayılan olarak etkin olan OpenAI Agents SDK izlemesini set_tracing_disabled(True) ile devre dışı bırakıyoruz. Bu proje Kimi’yi OpenAI uyumlu bir uç nokta üzerinden kullandığından, izlemenin kapatılması yerel kurulumu sadeleştirir ve üçüncü taraf bir model sağlayıcısıyla izleme kaynaklı sorunları önler.

3. Kimi K2.6 API’sine Bağlanın

Ardından, daha önce ortam değişkeni olarak kaydettiğiniz API anahtarını kullanarak Kimi istemcisini kurun.

kimi_client = AsyncOpenAI(
   api_key=os.environ["MOONSHOT_API_KEY"],
   base_url=KIMI_BASE_URL,
)

Bu, Kimi için API istemcisini oluşturur. api_key, MOONSHOT_API_KEY’den yüklenir ve base_url Moonshot AI’in OpenAI uyumlu uç noktasını işaret eder.

Sonra, Kimi modelini OpenAI Agents SDK içinde kullanılabilecek şekilde sarmalayın:

kimi_model = OpenAIChatCompletionsModel(
   model=KIMI_MODEL,
   openai_client=kimi_client,
)

Şimdi model ayarlarını tanımlayın:

model_settings = ModelSettings(
   tool_choice="auto",
   parallel_tool_calls=True,
   extra_body={"thinking": {"type": "disabled"}},
)

tool_choice="auto" ayarı, ajanın araçları ne zaman çağıracağına kendisinin karar vermesini sağlar. parallel_tool_calls=True ayarı, gerektiğinde birden fazla araç çağrısının eşzamanlı yürütülmesine olanak tanır.

Ayrıca Kimi’nin düşünme modunu extra_body={"thinking": {"type": "disabled"}} kullanarak devre dışı bırakıyoruz. Bu, çıktıyı daha temiz ve yapılandırılmış bir iş uyumu raporuna daha uygun hale getirir.

Son olarak, çalışma yapılandırmasını oluşturun:

run_config = RunConfig(
   workflow_name="JobFit AI Kimi Search",
   tracing_disabled=True,
)

workflow_name bu çalışmaya net bir etiket verir. Ayrıca, bu proje OpenAI’in izleme arka ucu yerine OpenAI uyumlu bir uç nokta üzerinden Kimi’yi kullandığı için burada da izlemeyi devre dışı bırakıyoruz.

4. Adayın CV’sinden Metin Çıkarın

Ardından, adayın CV’sini yüklemek ve her sayfadaki metni çıkarmak için PdfReader kullanın.

reader = PdfReader(cv_path)
cv_text = "\n".join(page.extract_text() or "" for page in reader.pages)[:12000]
print(f"Loaded {len(cv_text):,} characters from {cv_path}")

Bu kod, cv_path’te tanımlanan PDF dosyasını okur, her sayfadaki metni çıkarır ve tek bir dize hâlinde birleştirir.

[:12000] sınırı, modelin adayın deneyimi, becerileri ve tercihleri hakkında yeterli bağlamı almasını sağlarken, CV metnini ajan istemine rahatça sığacak kadar kısa tutar.

Çıktı, CV dosyanızın adı ve uzunluğuna bağlı olarak buna benzer olacaktır:

Loaded 2,946 characters from abid-resume.pdf

Bu, CV’nin başarıyla yüklendiğini doğrular ve PDF’den kaç karakter çıkarıldığını gösterir.

5. Ajan Talimatlarını Oluşturun 

Sırada, ajanın nasıl arama yapacağını, araçları nasıl kullanacağını ve son raporu nasıl biçimlendireceğini kontrol eden talimatları tanımlamak var.

AGENT_INSTRUCTIONS = """
You are JobFit AI, a focused job-search agent.

Tool plan:
- Call search_jobs exactly once with limit 8.
- Read at most 3 direct job pages with read_job_page.
- After reading up to 3 pages, stop using tools and write the report.
- Search again only if the first search returns zero usable jobs.
- Avoid broad search pages, expired jobs, and LinkedIn unless no better source exists.

Report rules:
- Keep the report simple, clear, and practical.
- Use short bullets.
- Do not use em dashes.
- Do not use contractions.
- Do not add text before or after the report.
- End after the final Job Notes entry.
- Include at least 5 ranked jobs if the search results contain at least 5 usable jobs.
- If only 3 pages were scraped, use backup jobs from search results when they look usable.
- Every job must include a clickable Markdown link.
- Every job must have one apply decision: Apply, Maybe, or Do not apply.

Use exactly this Markdown structure:

# JobFit AI Report

## Best Match

- **Role:** <job title>
- **Company:** <company>
- **Apply decision:** Apply / Maybe / Do not apply
- **Fit score:** <score>/100
- **Link:** [Apply here](<job url>)

**Why this is the best match:**

- <specific reason>
- <specific reason>
- <specific reason>

## Ranked Jobs

| Rank | Role | Company | Apply? | Fit | Link |
| --- | --- | --- | --- | --- | --- |
| 1 | <role> | <company> | Apply / Maybe / Do not apply | <score>/100 | [Apply here](<url>) |

## Job Notes

### 1. <Role> at <Company>

- **Apply decision:** Apply / Maybe / Do not apply
- **Fit score:** <score>/100
- **Link:** [Apply here](<job url>)

**Why it fits:**

- <bullet>
- <bullet>

**Concerns:**

- <bullet>
- <bullet>

**Application angle:**

- <how the person should position their CV/application>
""".strip()

Bu talimatlar ajanın odağını korur. İş akışını bir iş araması, en fazla üç iş sayfası okuması ve sabit bir Markdown rapor yapısıyla sınırlar.

Rapor kuralları, kısa maddeler, tıklanabilir bağlantılar, uyum puanları ve her rol için net bir başvuru kararı gerektirerek çıktının taranmasını da kolaylaştırır.

6. Çalışma Zamanı İpucunu (Prompt) Oluşturun

Ajan talimatlarını tanımladıktan sonra, her çalıştırmada ajana aktarılacak ipucu şablonunu oluşturun.

RUN_PROMPT_TEMPLATE = """
Find current job postings for this candidate and rank them by fit.

Keep the run simple:
- one search
- up to three page reads
- final report

The final report must follow AGENT_INSTRUCTIONS exactly.
Use simple wording. Do not use em dashes. Do not use contractions.

Candidate CV:
{cv_text}

Preferences:
{preferences}
""".strip()

Bu ipucu, çalışma zamanında adayın CV metni ile iş tercihlerini birleştirir.

cv_text yer tutucusu çıkarılan CV içeriğiyle, preferences yer tutucusu ise daha önce tanımlanan hedef rol tercihleriyle doldurulur. Birlikte, ajana ilgili işleri arayıp uyuma göre sıralaması için yeterli bağlam sağlar.

7. Olostep ile Canlı Web Araması Ekleyin

Artık ajan talimatları ve çalışma zamanı ipucu hazır olduğuna göre, ajanın Olostep kullanarak webde arama yapmasına ve iş sayfalarını okumasına olanak tanıyan iki aracı ekleyin.

İlk araç, iş ilanlarını webde arar ve derli toplu bir sonuç listesi döndürür.

@function_tool
def search_jobs(query: str, limit: int = 8) -> str:
    """Search the web for job listings and return compact JSON results."""
    response = requests.post(
        OLOSTEP_SEARCH_URL,
        headers={"Authorization": f"Bearer {os.environ['OLOSTEP_API_KEY']}", "Content-Type": "application/json"},
        json={"query": query},
        timeout=60,
    )
    response.raise_for_status()
    links = response.json().get("result", {}).get("links", [])[:limit]
    results = [
        {"title": item.get("title", "Untitled"), "url": item.get("url"), "description": item.get("description", "")}
        for item in links
        if isinstance(item, dict) and item.get("url")
    ]
    return json.dumps(results, ensure_ascii=False)

@function_tool dekoratörü, bu Python fonksiyonunu ajan için çağrılabilir bir araç olarak kullanılabilir hâle getirir.

Ajan iş ilanlarına ihtiyaç duyduğunda, bir arama sorgusuyla search_jobs’u çağırır. Fonksiyon, sorguyu Olostep arama uç noktasına gönderir, en iyi sonuçları toplar ve JSON olarak döndürür.

Her sonuç şunları içerir:

• iş unvanı
• iş ilanı URL’si
• kısa açıklama

İkinci araç, ajanın belirli bir iş sayfasını açıp okumasını sağlar.

@function_tool
def read_job_page(url: str) -> str:
    """Scrape one job listing URL and return markdown text."""
    response = requests.post(
        OLOSTEP_SCRAPE_URL,
        headers={"Authorization": f"Bearer {os.environ['OLOSTEP_API_KEY']}", "Content-Type": "application/json"},
        json={"url_to_scrape": url, "formats": ["markdown"]},
        timeout=120,
    )
    response.raise_for_status()
    markdown = response.json().get("result", {}).get("markdown_content") or ""
    return markdown[:8000]

Bu fonksiyon, bir iş URL’sini Olostep kazıma uç noktasına gönderir ve sayfa içeriğini Markdown biçiminde döndürür.

[:8000] sınırı, kazınan sayfayı ajanın işleyebileceği kadar kısa tutarken, sorumluluklar, gereksinimler ve şirket bilgileri gibi en faydalı iş detaylarını yakalamaya devam eder.

8. JobFit AI Ajanını Oluşturun

Şimdi, daha önce tanımladığınız tüm parçaları bağlayarak ajanı oluşturun: Kimi modeli, model ayarları, Olostep araçları ve ajan talimatları.

agent = Agent(
   name="JobFit AI",
   model=kimi_model,
   model_settings=model_settings,
   tools=[search_jobs, read_job_page],
   instructions=AGENT_INSTRUCTIONS,
)

Agent nesnesi, bu iş akışının ana denetleyicisidir.

Şunları kullanır:

• Muhakeme modeli olarak kimi_model
• Araç kullanımı ve çıktı davranışını kontrol etmek için model_settings
• Canlı iş ilanlarını bulmak için search_jobs
• Seçilen iş sayfalarını kazımak için read_job_page
• Kesin arama ve rapor kurallarına uymak için AGENT_INSTRUCTIONS

Bu noktada, ajan iş aramaya, işleri adayın CV’siyle karşılaştırmaya ve yapılandırılmış bir JobFit AI raporu üretmeye hazırdır.

9. Ajan İş Akışını Çalıştırın

Şimdi, çıkarılan CV metnini ve daha önce tanımlanan iş tercihlerini kullanarak JobFit AI ajanını çalıştırın.

Önce çalışma zamanı ipucunu biçimlendirin:

prompt = RUN_PROMPT_TEMPLATE.format(cv_text=cv_text, preferences=preferences)

Bu, ipucu şablonunu adayın CV’si ve hedef iş tercihleriyle doldurur.

Ardından, akışlı ajan çalıştırmasını başlatın:

print("Starting agent run")


result = Runner.run_streamed(
   agent,
   prompt,
   max_turns=MAX_AGENT_TURNS,
   run_config=run_config,
)

Runner.run_streamed() yöntemi ajan iş akışını başlatır ve olayları gerçekleşirken akışlar. Bu, ajanın ne zaman bir aracı çağırdığını, araç çıktısı aldığını ve son mesajı oluşturduğunu görmeyi kolaylaştırır.

Şimdi akış döngüsünü ekleyin:

async for event in result.stream_events():
   if event.type == "agent_updated_stream_event":
       print(f"Agent: {event.new_agent.name}")
   elif event.type == "run_item_stream_event":
       item = event.item
       if event.name == "tool_called":
           raw = item.raw_item
           tool_name = raw.get("name") if isinstance(raw, dict) else getattr(raw, "name", "tool")
           arguments = raw.get("arguments") if isinstance(raw, dict) else getattr(raw, "arguments", "")
           arguments = str(arguments).replace(chr(10), " ")[:500]
           print(f"Tool call: {tool_name}")
           if arguments:
               print(f"Parameters: {arguments}")
       elif event.name == "tool_output":
           print(f"Tool output: {len(str(item.output)):,} chars")
       elif event.name == "message_output_created":
           print("Final message ready")

Bu döngü, ajan çalışırken yararlı ilerleme güncellemeleri yazdırır. Örneğin, ajanın ne zaman iş aradığını, bir iş sayfasını okuduğunu veya raporu üretmeyi tamamladığını gösterir.

Son olarak, son çıktıyı report adlı bir değişkende saklayın:

report = result.final_output
globals()["report"] = report


print("Run complete")
print(f"Model responses: {len(result.raw_responses)}")
print(f"Run items: {len(result.new_items)}")
print(f"Final output: {len(str(report)):,} chars")

report değişkeni, son JobFit AI raporunu depolar; bunu görüntüleyebilir, kaydedebilir veya Gradio uygulaması içinde kullanabilirsiniz.

Çıktı aşağıdakine benzer görünecektir:

Starting agent run
Agent: JobFit AI
Tool call: search_jobs
Parameters: {"query":"remote data science writer technical writer AI machine learning content editor","limit":8}
Tool output: 2,445 chars
Tool call: read_job_page
Parameters: {"url":"https://www.indeed.com/q-data-science-writer-jobs.html"}
Tool output: 8,000 chars
Tool call: read_job_page
Parameters: {"url":"https://www.builtinnyc.com/jobs/remote/data-analytics/data-science"}
Tool output: 8,000 chars
Tool call: read_job_page
Parameters: {"url":"https://www.virtualvocations.com/jobs/q-data+scientist+remote+jobs/c-writing/d-336"}
Tool output: 5,075 chars
Final message ready
Run complete
Model responses: 5
Run items: 13
Final output: 5,931 chars

Bu çıktı, ajanın iş aradığını, seçilen sayfaları okuduğunu ve son raporu başarıyla ürettiğini doğrular.

10. Oluşturulan JobFit Raporunu Görüntüleyin

Ajan çalıştırması tamamlandıktan sonra, son raporu Markdown biçiminde görüntüleyin.

display(Markdown(report))

Bu, üretilen JobFit AI raporunu not defterinin içinde doğrudan işler ve düz metne göre okunmasını kolaylaştırır.

Rapor; en iyi eşleşmeyi, sıralı işleri, uyum puanlarını, başvuru kararlarını, endişeleri ve başvuru açısını içerir.

11. İş Akışını Bir Gradio Web Uygulamasına Dönüştürün

İş akışını not defterinde test ettikten sonra, bunu basit bir Gradio web uygulamasına dönüştürebilirsiniz. Bir app.py dosyası oluşturun, ardından GitHub projesindeki JobFit-AI/app.py dosyasındaki kodu kopyalayarak yerel dosyanıza yapıştırın.

Uygulamayı şu komutla çalıştırın:

python app.py

Ardından, tarayıcınızda yerel URL’yi açın (bu örnekte http://127.0.0.1:7860/):

Gradio uygulaması, iş uyumu raporları üretmek için basit bir arayüz sunar. Şunları içerir:

• Kullanıcıların özgeçmişlerini yükleyebileceği bir CV PDF yükleme alanı.
• Kullanıcıların istedikleri rol türünü; rol tipi, sektör, konum, kıdem ve tercih edilen konular dâhil olmak üzere tanımlayabilecekleri bir iş tercihleri metin kutusu.
• Ajan iş akışını başlatmak için Bir JobFit Raporu Oluştur düğmesi.
• Çalışma sırasında görünen ve uygulamanın ne yaptığını (CV’yi okuma, araçları çağırma, araç çıktıları alma gibi) gösteren gizli bir ilerleme günlüğü.
• Ajan tamamladığında sıralı iş uyumu raporunu görüntüleyen bir son Markdown rapor alanı.

Arka planda uygulama, yüklenen CV’yi okur, metni çıkarır, CV ve tercihleri JobFit AI ajanına gönderir ve Olostep ile canlı iş ilanlarını arar. En fazla üç iş sayfasını okur ve sıralı roller, uyum puanları, başvuru kararları, endişeler ve başvuru açılarını içeren yapılandırılmış bir Markdown raporu döndürür.

12. Bir CV Yükleyin ve Rapor Oluşturun

Şimdi bir CV ya da özgeçmiş PDF’si yükleyip Bir JobFit Raporu Oluştur’a tıklayarak web uygulamasını test edin.

Bu örnekte, adayın profili ve tercihleri temelinde uygulamanın ilgili işleri bulup bulamayacağını görmek için yaklaşık üç yıllık deneyime sahip bir CV yükledim. Rapor bir dakikadan kısa sürede üretildi.

Uygulama çalışırken, ilerleme günlüğü iş akışının her adımını gösterir; bunlar arasında şunlar yer alır:

• CV’nin okunması
• Her sayfadan metin çıkarılması
• Ajan çalışmasının başlatılması
• iş arama aracının çağrılması
• Araç çıktısının döndürülmesi

Çalıştırma tamamlandığında, uygulama son raporu Markdown biçiminde görüntüler.

Rapor, en iyi eşleşmeyle başlar ve ardından sıralı işler tablosu gelir. Sonrasında her rol için daha ayrıntılı notlar sunar; uyum puanı, başvuru kararı, rolün neden uygun olduğuna dair gerekçeler, olası endişeler ve bir başvuru açısı dâhil.

Bu örnekte, en üst sırada NannyML’de Kıdemli Veri Bilimi Yazarı rolü çıktı. Rol, adayın veri bilimi, teknik yazarlık ve yapay zekâ içerikleri geçmişiyle örtüştüğü için güçlü bir eşleşme gibi göründü.

Başvurmadan önce iş sayfasını açıp tam listeyi incelemek için rapordaki Apply here bağlantısına tıklayabilirsiniz.

Not: Projeyi yerelde çalıştırırken herhangi bir sorunla karşılaşırsanız GitHub deposunu kontrol edin: kingabzpro/JobFit-AI. Bağımlılıkları kurmanıza ve projeyi yerelde çalıştırmanıza yardımcı olacak not defteri, app.py dosyası ve kurulum talimatlarını içerir. 

Son Düşünceler

JobFit AI, Kimi K2.6, Olostep ve OpenAI Agent SDK’yı, rol değiştirirken ya da aktif olarak iş başvurusu yaparken sıkça karşılaşılan iki sorunu çözmek için kullanır.

İlk sorun, nerelere başvurulacağını bilmektir. Çok sayıda iş panosu, platform ve şirket kariyer sayfası vardır; ancak hangilerinin zaman ayırmaya değer olduğu her zaman net değildir. Bu uygulama, adayın CV’si ve tercihlerini kullanarak deneyimine daha uygun işler bulmaya yardımcı olur.

İkinci sorun ise çok sayıda iş ilanını filtrelemektir. Her iş panosunu tek tek kontrol etmek yerine, ajan canlı ilanları arar, seçilen iş sayfalarını okur ve en iyi eşleşme, sıralı işler, uyum puanları, endişeler ve başvuru açılarını içeren yapılandırılmış bir rapor oluşturur. Bu da gerçekten başvurmaya değer rollere odaklanmayı kolaylaştırır.

Kimi K2.6 API’si de bu ajan tabanlı iş akışında iyi performans gösterdi. Hızlı, güvenilir ve yapılandırılmış talimatları takip etmede etkiliydi. Testler sırasında, ajana 25 tura kadar izin verildiğinde daha derinlemesine arama ve kazıma yaptı; ancak çalıştırma yaklaşık beş dakika sürdü. Kalite ile hızı dengelemek için iş akışını bir arama ve en fazla üç sayfa okuma ile sınırladım; bu da raporun bir dakikadan kısa sürede oluşturulmasına yardımcı oldu.

İzin verilen adım, arama sonucu ya da sayfa okuma sayısını artırarak iş raporunun kalitesini yükseltebilirsiniz. Örneğin, ajan sınırını 30 tura çıkarıp daha fazla iş sayfası okumasına izin verirseniz, daha fazla rol ve daha güçlü öneriler içeren daha derin bir rapor üretebilir. Ancak bu, çalışma süresi ve API kullanımını da artıracaktır.

Benzer ajanik araçlar oluşturmakla ilgileniyorsanız, şu API eğitimlerimize de göz atın: 

• DeepSeek V4 ile Düşünme Modu Arena
• Claude Opus 4.7 ile Grafik Sayısallaştırıcı
• Qwen 3.6 Plus ile Fatura İşleme Hattı
• Gemini 3 ile Veri Analizi Otomatlaştırıcı