Kimi K2.7 Code’u Pi ile Kurma: En İyi Yapay Zekâ Kodlama Ortamı

Kimi K2.7 Code, Moonshot’ın amiral gemisi kodlama modeli olup, kod yazma ve hata ayıklama, daha büyük kod tabanlarında gezinme ve çok adımlı mühendislik işleri gibi pratik yazılım geliştirme görevleri için tasarlanmıştır. 

Kaynak: Kimi K2.7 Code: Açık Kaynak Ajansal Kodlama Modeli 

Pi ile eşleştirildiğinde — hafif ve son derece genişletilebilir bir kodlama ajanı — becerileri, paketleri, komut satırı araçlarını, kalıcı belleği ve tarayıcı testlerini gereksiz karmaşıklık eklemeden destekleyen esnek bir yerel geliştirme ortamı oluşturur.

Her görev için bir MCP kurmak yerine, Pi Kimi’nin akıl yürütmesini GitHub CLI, Vercel CLI, Hugging Face CLI, pytest, Ruff ve uv gibi güvenilir geliştirici araçlarıyla birleştirebilir. 

Bu sayede tek bir kodlama ajanı iş akışıyla gerçek projeleri araştırmak, inşa etmek, test etmek, dağıtmak ve bakımını yapmak mümkün olur.

Bu kılavuzda, Kimi K2.7 Code’u baştan sona Pi ile nasıl kuracağınızı göstereceğim. 

Moonshot API anahtarınızı yapılandıracak, araştırma için Olostep’i, güncel dokümantasyon için Context7’yi, tarayıcı testi için Webwright’ı ve oturumlar arası bağlam için Hermes Memory’yi ekleyeceksiniz. 

Ayrıca kullanışlı temalar ve mühendislik becerileri yükleyecek, GitHub, Vercel ve Hugging Face için pratik CLI’ler bağlayacak, tekrarlanabilir bir Python veri bilimi projesi oluşturacak ve küçük bir makine öğrenmesi uygulaması geliştirip doğrulayarak ve yayımlayarak tam iş akışını test edeceksiniz.

Ayrıca Kimi K2.7 Code’u yerelde nasıl çalıştıracağınıza dair kılavuzuma da göz atmanızı öneririm. 

1. Terminalinize Pi Kodlama Ajanını Kurun

Pi, doğrudan terminalinizde çalışan hafif bir kodlama ajanıdır. 

Yerel dosyalarınızla çalışabilir, komutlar çalıştırabilir, yüklü beceri ve paketleri kullanabilir ve tercih ettiğiniz kodlama modeline bağlanabilir.

İşletim sisteminiz için kurulum komutunu seçin.

Windows PowerShell

powershell -c "irm https://pi.dev/install.ps1 | iex"

macOS veya Linux

curl -fsSL https://pi.dev/install.sh | sh

Pi’yi npm üzerinden de kurabilirsiniz:

npm install -g --ignore-scripts @earendil-works/pi-coding-agent

2. Kimi K2.7 için Moonshot API Anahtarınızı Yapılandırın

Pi’de Kimi K2.7 Code’u kullanmadan önce, Moonshot API anahtarınızı bir ortam değişkeni olarak ekleyin. 

Ardından Moonshot’ı model sağlayıcısı olarak seçtiğinizde Pi anahtara otomatik olarak erişebilir.

Windows PowerShell

setx MOONSHOT_API_KEY "your_moonshot_api_key"

Bu komutu çalıştırdıktan sonra PowerShell’i kapatıp yeniden açın. Yeni ortam değişkeni yalnızca yeni açılan terminal oturumlarında kullanılabilir olacaktır.

Git Bash, macOS veya Linux

export MOONSHOT_API_KEY="your_moonshot_api_key"

Bu komut yalnızca mevcut terminal oturumuna uygulanır. Terminalinizi yeniden başlattıktan sonra anahtarın kullanılabilir kalması için aynı satırı kabuk profilinize (ör. ~/.bashrc veya ~/.zshrc) ekleyin.

API anahtarınızı gizli tutun. Onu Git depolarına, herkese açık not defterlerine, ekran görüntülerine, .env.example dosyalarına veya AGENTS.md dosyasına eklemeyin.

Anahtar ayarlandıktan sonra Pi’yi başlatın:

pi

Ardından model seçicisini açın:

/model

Sağlayıcı olarak moonshotai’yi seçin ve kimi-k2.7-code’u işaretleyin. 

Pi, MOONSHOT_API_KEY ortam değişkenini otomatik olarak algılayıp kimlik doğrulama için kullanmalıdır.

3. Araştırma için Olostep Becerilerini Kurun

Olostep, Pi’ye web araması, scraping, dokümantasyon tarama, hata ayıklama ve yapılandırılmış veri çıkarımı için araştırma iş akışlarına erişim sağlar. 

Bir görev modelin yerleşik bilgisinin ötesinde bilgi gerektirdiğinde, Pi’nin güncel bilgi bulmasına yardımcı olur.

Devam etmeden önce bir Olostep hesabı oluşturun, bir API anahtarı üretin ve bunu yerelde OLOSTEP_API_KEY adlı ortam değişkeni olarak kaydedin. 

Bu sayede Pi ve onun oluşturduğu betikler, sırları proje dosyalarınızda saklamadan Olostep ile kimlik doğrulayabilir.

Sonra, Olostep becerilerini doğrudan Pi’nin global beceri dizinine kurun:

npx -y olostep-cli@latest add skills \
 --no-global \
 --agent-skills-dir ~/.pi/agent/skills

Bu işlem, Olostep becerilerini şu konuma kurar:

~/.pi/agent/skills/

4. Güncel Dokümantasyon için Context7’yi Kurun

Context7, Pi’ye güncel ve sürüme özgü kütüphane dokümantasyonu ile kod örneklerine erişim sağlar. Bu, Pi hızlı değişen framework’ler, SDK’lar ve Python paketleriyle çalışırken eski API kullanımını önlemeye yardımcı olur.

Kurulumdan önce bir Context7 hesabı oluşturun, Context7 panosundan bir API anahtarı üretin ve bunu yerelde CONTEXT7_API_KEY adlı ortam değişkeni olarak kaydedin. 

Anahtarı gizli tutun ve depoya işlemeyin; ekran görüntülerine, not defterlerine veya proje yönerge dosyalarına eklemeyin. 

Pi için resmi Context7 paketini kurun:

pi install npm:@upstash/context7-pi

Bu işlem, Context7 dokümantasyon araçlarını, Pi’yi gerektiğinde bunları kullanmaya yönlendiren bir beceriyi ve elle arama için /c7-docs komutunu ekler. 

Pi’yi yeniden başlattıktan sonra, harici kütüphanelere bağlı kod yazmadan önce ilgili dokümantasyonu alabilir. 

5. Terminal Çalışma Alanınızı Pi Temalarıyla Özelleştirin

Pi, üçüncü taraf tema paketlerini destekler; bu da ajanın çalışma şeklini değiştirmeden terminal arayüzünü iyileştirmeyi kolaylaştırır. 

@spences10/pi-themes paketi; Catppuccin Mocha, Dracula, Gruvbox Dark, Nord, One Dark ve Tokyo Night dahil olmak üzere cilalı birkaç koyu temayı içerir.

Topluluk tema paketini kurun:

pi install npm:@spences10/pi-themes

Ardından Pi’yi açın:

pi

Ayarlar menüsünü açın:

/settings

Mevcut temalardan Catppuccin Mocha’yı seçin. Yüksek kontrastlı, temiz ve koyu bir temadır; uzun kodlama oturumları için iyi bir varsayılandır.

İstediğiniz zaman /settings üzerinden temaları değiştirebilirsiniz. Pi, yerelde saklanan temaları ve paket tabanlı temaları da destekler; böylece daha sonra modelinizi, araçlarınızı veya proje kurulumunuzu değiştirmeden arayüzü özelleştirebilirsiniz.

6. Mühendislik Becerileri Ekleyin ve Gürültülü Çıktıyı Azaltın

Pi; planlama, hata ayıklama, test etme, kod inceleme, dokümantasyon yazma ve projeleri devir/çıktı öncesinde hazırlama gibi alanlarda daha tutarlı olmasını sağlayan yeniden kullanılabilir mühendislik iş akışlarıyla genişletilebilir. 

@barlevalon/skills paketi, bu yaygın yazılım mühendisliği görevleri için taşınabilir SKILL.md iş akışları sağlar. 

Beceri paketini kurun:

pi install npm:@barlevalon/skills

Sonraki adımda, uzun terminal çıktılarının Pi’nin bağlam penceresini işgal etmesini engellemek için Hypa’yı kurun:

pi install npm:@hypabolic/pi-hypa

Hypa, desteklenen kabuk komutlarını yerel bir sıkıştırma katmanı üzerinden otomatik olarak yeniden yazar. Paket kurulumları, test takımları, model çalıştırmaları, derlemeler ve dağıtımlardan gelen tekrarlayan günlükleri azaltırken, hatalar ve nihai sonuçlar gibi önemli kanıtları korur. 

Pi paketi ayrıca Hypa’yı bir bağımlılık olarak kurar ve en iyi çabayla yerel bir hypa komut sarmalayıcısı oluşturur. 

7. GitHub, Vercel ve Hugging Face için Doğrudan CLI’leri Kullanın

Kullandığınız her hizmet için bir MCP, uzantı veya paket gerekmez. 

Depo yönetimi, uygulama dağıtma, günlükleri kontrol etme veya bir modeli yayımlama gibi yaygın iş akışları için kimliği doğrulanmış bir komut satırı aracı çoğu zaman daha basit, daha güvenilir ve Pi’nin kullanması açısından daha kolaydır.

GitHub CLI

GitHub CLI, Pi’nin terminalden doğrudan depolar, pull request’ler, sorunlar, sürümler ve GitHub Actions ile çalışmasını sağlar. Windows’ta şu komutla kurun:

winget install --id GitHub.cli --source winget

Ardından oturum açın:

gh auth login

Pi’nin bir depoyu incelemesini, pull request oluşturmasını veya incelemesini, iş akışı çalıştırmalarını kontrol etmesini, sorunları yönetmesini veya bir projeyi GitHub’a yayımlamasını istediğinizde GitHub CLI’yı kullanın.

Vercel CLI

Vercel CLI, Pi’nin terminalden web uygulamaları dağıtmasını, projeleri incelemesini, dağıtım günlüklerini görüntülemesini ve ortam değişkenlerini yönetmesini sağlar.

npm install -g vercel
vercel login

Önizleme dağıtımları, üretim sürümleri, dağıtım sorun giderme, proje bağlantılama ve ortam değişkeni kontrolleri için Vercel CLI’yı kullanın.

Hugging Face CLI

Güncel Hugging Face komut satırı aracı, huggingface_hub paketiyle gelen hf komutudur. Şu komutla kurun:

pip install -U huggingface_hub

Ardından kimlik doğrulayın:

hf auth login

Hugging Face CLI’yı model, veri kümesi ve Space depoları oluşturmak ve yönetmek; proje dosyaları yüklemek; modeller veya veri kümeleri indirmek ve hangi hesabın şu anda kimliği doğrulanmış olduğunu teyit etmek için kullanın.

8. Webwright ile Tarayıcı Testleri Ekleyin

Birim testleri Python mantığını kontrol etmek için yararlıdır, ancak gerçek bir kullanıcının uygulamanızı kullanıp kullanamayacağını göstermez. 

Webwright, Pi’nin Playwright ile yerel veya dağıtılmış uygulamalara karşı tarayıcı tabanlı testler çalıştırmasını sağlar; buna Streamlit, Gradio, FastAPI ön yüzleri, React veya Next.js projeleri, Vercel önizlemeleri ve Hugging Face Spaces dahildir.

Webwright’ı Pi’ye kurun:

pi install npm:pi-webwright

Ardından Playwright için Chromium’u kurun:

npx playwright install chromium

Webwright, Pi’nin uygulamayı Chromium’da açmasına, ana kullanıcı akışını test etmesine, formlar veya dosya yüklemeleriyle etkileşime girmesine, sonuçların doğru şekilde görüntülendiğini kontrol etmesine, tarayıcı hatalarını incelemesine ve ekran görüntüleri ile günlükleri kaydetmesine olanak tanır. 

Paket, incelenebilir ve yapıt temelli iş akışları için tasarlanmış bir tarayıcı testi becerisi içerir.

9. Yapay Zekâ Ajanınıza Hermes ile Kalıcı Bellek Kazandırın

Pi, her yeni oturuma önceki çalışmalardan sınırlı bağlamla başlar. 

Hermes Memory, Pi’nin önceki oturumları aramasını, yararlı proje bağlamını korumasını, tekrarlanan bilgileri birleştirmesini ve sırları taramasını sağlayan yerel, kalıcı bellek ekler. 

Yerelde çalışır; ayrı bir barındırılan bellek API anahtarına ihtiyacınız yoktur.

Hermes Memory’yi kurun:

pi install npm:pi-hermes-memory

Kurulumdan sonra Pi’yi yeniden başlatın.

Hermes Memory’yi net proje dokümantasyonuyla birlikte kullanın:

1. MEMORY.md: gözden geçirmek ve işlemeye almak istediğiniz proje gerçekleri, tercihleri ve talimatları
2. docs/decisions/:  depo ile birlikte saklanan önemli mimari, veri ve mühendislik kararları
3. pi-hermes-memory: yerel oturumlar arası hatırlama, aranabilir oturum geçmişi ve otomatik bellek birleştirme

MEMORY.md ve docs/decisions/ dizinlerini projenizin görünür tek doğru bilgi kaynağı olarak tutun. 

Hermes Memory, Pi’nin çalışmayı oturumlar arasında sürdürmesine yardımcı olurken, Markdown dosyaları bağlamın sizin veya başka bir katılımcının daha sonra kolayca incelemesine imkân tanır.

10. Tekrarlanabilir bir Python Veri Bilimi Projesi Oluşturun

Güçlü bir Pi kurulumu, net bir proje yapısına da ihtiyaç duyar. 

Bu, deneylerinizin, kodunuzun, testlerinizin, verilerinizin ve sonuçlarınızın düzenli kalmasını sağlar; böylece Pi geçici not defteri çalışmalarıyla yeniden kullanılabilir boru hattı kodunu karıştırmadan değişiklik yapabilir.

uv ile yeni bir proje oluşturun ve ilk yapılandırmasını yapın:

mkdir data-science-pi-project
cd data-science-pi-project
uv init
uv add pandas scikit-learn matplotlib pytest ruff

Şu yapıyı kullanın:

data-science-pi-project/
├── AGENTS.md
├── MEMORY.md
├── README.md
├── src/
│   ├── data.py
│   ├── train.py
│   └── evaluate.py
├── tests/
├── notebooks/
├── data/
│   ├── raw/
│   └── processed/
├── reports/
│   ├── figures/
│   └── metrics/
└── docs/
    └── decisions/

src/ dizininde yeniden kullanılabilir veri yükleme, ön işleme, eğitim ve değerlendirme kodunu tutun. 

notebooks/ dizinini yalnızca keşif ve hızlı deneyler için kullanın. 

data/raw/ içine değişmeden kaynak dosyaları, data/processed/ içine temizlenmiş verileri depolayın ve grafikler, metrikler ile model çıktılarını reports/ dizinine kaydedin.

AGENTS.md dosyası oluşturun; böylece Pi depoda çalışırken doğru iş akışını izlesin:

# Project Rules

- Use Olostep for current research and Context7 for library documentation.
- Inspect the dataset, missing values, duplicates, leakage risks, class balance, and baseline before training.
- Keep reusable logic in `src/`, not notebooks.
- Add tests when changing preprocessing or evaluation behaviour.
- Run formatting, linting, and tests before declaring work complete.
- Record important decisions in `docs/decisions/`.

Bu, Pi’ye test edilmesi, bakımı ve geliştirilmesi daha kolay veri bilimi projeleri oluşturmak için tekrarlanabilir bir iş akışı verir.

11. Uçtan Uca Test: Kimi ve Pi ile Bir ML Uygulaması Geliştirmek

Şimdi, gerçek bir projede tam Pi kurulumunu test etme zamanı. Bu örnekte, Pi’den; akademik performans, stajlar, projeler, sertifikalar ve beceriler gibi faktörleri kullanarak öğrenci yerleştirme tahmini için tekrarlanabilir bir ikili sınıflandırma uygulaması geliştirmesini istedim.

Proje klasörünüzün içinden Pi’yi başlatın:

pi

Ardından Pi’ye şu istemi verin:

Build a simple, reproducible Python machine-learning project for a binary classification problem. 
First inspect the dataset for schema, missing values, duplicates, categorical columns, leakage risks, class balance, and a suitable stratified train/test split. 
Use Olostep for any current research or dataset references, and Context7 before using scikit-learn APIs.

Create clear modules for data loading/preprocessing, model training, evaluation, tests, a short README, and project rules. 
Use a fixed random seed, uv, pytest, and Ruff.

Model iş akışı çalıştıktan sonra küçük bir Streamlit veya Gradio arayüzü oluşturun ve ana kullanıcı yolculuğu, sonuçların görüntülenmesi, konsol hataları, ekran görüntüleri ve günlükler dahil olmak üzere Webwright ile Chromium’da test edin.

Doğruluk, ağırlıklı F1, makro F1, bir temel karşılaştırması ve bir karışıklık matrisi raporlayın. Depoyu GitHub CLI ile başlatın ve gönderin.

Pi, önce projeyle ilgili daha önceki bağlam için Hermes Memory’yi kontrol etti. 

Ekran görüntüsünde gösterildiği gibi yararlı bir şey bulamayınca mevcut proje dizinini incelemeye geçti.

Pi dizin yapısını anladıktan sonra, proje dosyalarını yazmadan önce güncel Python ve scikit-learn dokümantasyonunu kontrol etmek için Context7’yi kullandı. 

Bu yararlıdır; çünkü ajanın eski örneklere güvenmek yerine güncel API’leri kullanmasına yardımcı olur.

Ardından Pi, projeye uygun bir veri kümesi bulmak ve ilgili bilgileri toplamak için Olostep araştırma becerisini kullandı. 

Yeterli bağlam topladıktan sonra; ön işleme hattı, eğitim kodu, değerlendirme betiği, testler, README ve proje talimatları dâhil olmak üzere dosyaları tek tek oluşturmaya başladı.

Makine öğrenmesi iş akışı tamamlandıktan sonra, Pi küçük bir Streamlit uygulaması oluşturdu. 

Daha sonra Playwright için Chromium’u kurdu ve Webwright’ı kullanarak arayüzü gerçek bir tarayıcıda test etti.

Tarayıcı testi ana kullanıcı akışını kontrol etti, sonuçların doğru görüntülendiğini doğruladı, konsol hatalarını inceledi ve ekran görüntüleri ile günlükleri kaydetti. 

Pi ayrıca nihai özeti üretmeden önce Python testlerini ve proje kontrollerini çalıştırdı.

Bu testte, nihai model yaklaşık %86 doğruluk ve 0,85 F1 skoru elde etti. 

Ardından Pi değişiklikleri işledi, bir GitHub deposu oluşturdu ve tamamlanan projeyi GitHub’a gönderdi.

Depo; README, proje yapısı, kaynak kod, testler, model değerlendirme dosyaları ve Streamlit uygulamasını içerir:

Kaynak: kingabzpro/data-science-pi-project

Uygulamayı yerelde şu komutla çalıştırabilirsiniz:

streamlit run app.py

Arayüz temiz ve gezinmesi kolay; model de tahminleri hızlı döndürüyor. 

Daha da önemlisi, bu test tam kurulumun değerini gösteriyor: Pi görevi araştırabilir, veriyi inceleyebilir, güncel dokümantasyonu kullanabilir, boru hattını kurabilir, bir arayüz oluşturabilir, tarayıcı deneyimini test edebilir, modeli doğrulayabilir ve tek bir iş akışından bitmiş projeyi yayımlayabilir.

Son Düşünceler: Kimi K2.7 ve Pi Neden Mükemmel Geliştirici Yığını?

Kimi K2.7 Code ve Pi, pratik kodlama işleri için güçlü bir kombinasyon olduğunu kanıtladı. 

Kimi hızlı, yetenekli ve çok adımlı mühendislik görevlerini gereksiz yere basit kararları karmaşıklaştırmadan iyi yönetiyor. 

Bir kodlama aboneliği yerine API kullanıyorsanız, daha yüksek kullanım katmanına erişmek ve günlük sınırlara çok hızlı takılmamak için en az 10 $’lık kredi eklemeyi düşünmeye değer.

Beni en çok etkileyen şey, her şey kurulduktan sonra iş akışının ne kadar az manuel koordinasyon gerektirmesiydi. 

Tek bir ayrıntılı istemle, Pi ilgili proje bağlamı için Hermes Memory’yi kontrol etti, proje dizinini gözden geçirdi, güncel Streamlit ve scikit-learn dokümantasyonunu doğrulamak için Context7’yi ve veri kümesini ile problem kurulumunu araştırmak için Olostep’i kullandı.

Oradan proje dosyalarını oluşturdu, makine öğrenmesi boru hattını kurdu, Streamlit uygulamasını geliştirdi ve arayüzü Webwright ve Playwright ile test etti.

Pi ayrıca Python testlerini çalıştırdı, model metriklerini kontrol etti, tarayıcı davranışını gözden geçirdi, nihai bir özet oluşturdu, değişiklikleri işledi ve tamamlanan depoyu GitHub’a gönderdi. 

Genel olarak kurulum, bir kodlama asistanını elle yönetmekten ziyade otomatik bir geliştirme iş akışına net yön vermek gibi hissettirdi.

Doğru araçlar bağlandıktan sonra Pi ağır işlerin çoğunu üstlenirken, Kimi süreci akıcı tutmak için gereken hız ve akıl yürütmeyi sağladı.

Yapay zekâ ajanlarının kaputun altında nasıl çalıştığına daha derinlemesine dalmak ister misiniz? DataCamp’in Ölçeklenebilir Ajansal Sistemler Kurma kursunu öneririm; tasarım ilkelerini, test çerçevelerini ve (MCP gibi) protokolleri öğrenerek yapay zekâ ajanlarını kavram kanıtından üretime taşıyın.