Yapay Zeka Destekli Telegram İK ve Sohbet Botu

Bağlamı koruyan günlük sohbet ile serbest metinden tanımlanan kriterlere göre CV analizini tek bir asenkron Telegram botunda birleştirir. PDF'ler önce doğrulanır, ardından ortak CandidateProfile JSON şemasına çıkarılır; tekli analiz Markdown, 2–5 CV'lik toplu analiz ise Top-3 JSON üretir.

Özellikler

• SQLite geçmişi ve rolling summary ile bağlamlı günlük sohbet
• Komut zorunluluğu olmadan serbest metinden dinamik değerlendirme kriterleri
• Bozuk, şifreli, sayfasız ve metinsiz PDF'leri LLM'den önce reddetme
• Exact-source span, semantic verifier ve backend-owned ID içeren criterion evidence ledger
• Güçlü/zayıf yönler ve gelişim tavsiyeleri içeren tekli Markdown raporu
• En fazla 5 CV için backend'de deterministik ortalama ve Top-3 JSON
• Telegram update'lerini bloklamayan async I/O ve paralel PDF doğrulama
• Ollama ile native; LM Studio ve vLLM ile OpenAI-uyumlu LLM adaptörü

PDF'deki her gereksinimin kod ve test karşılığı izlenebilirlik matrisinde bulunur.

Mimari

flowchart LR
    TG[Telegram] --> P[Presentation]
    P --> A[Application Services]
    A --> D[Domain]
    A --> PDF[PyMuPDF]
    A --> DB[(SQLite)]
    A --> PORT[LLMPort]
    PORT --> O[Ollama]
    PORT --> C[LM Studio / vLLM]

Loading

Ham PDF evaluator'a veya final skor guard'ına verilmez. Criterion-aware extraction alıntı taslaklarını ortak JSON'a taşır; Python kaynak span'ını ve evidence ID'yi üretir, tek batch verifier ilişkiyi sınıflandırır. Evaluator yalnız doğrulanmış ID'leri seçebilir. Ortalama ve sıralama backend'de deterministik uygulanır. Katmanlar, async çalışma modeli ve karar gerekçeleri için Mimari belgesine bakın.

Proje Yapısı

app/
├── domain/                 Şemalar, hatalar, LLM portu ve skorlama
├── application/            Sohbet, kriter ve CV use-case'leri
├── infrastructure/         LLM, PDF ve SQLite adaptörleri
└── presentation/telegram/  Router, handler ve formatter
docs/                       Mimari, LLM hattı ve doğrulama kanıtları
mock_cvs/                   Beş farklı CV şablonu ve geçersiz örnekler
scripts/                    Fixture üretimi ve canlı kabul testi
tests/                      Birim ve entegrasyon testleri
main.py                     Long-polling giriş noktası

Kurulum

Önkoşullar: Python 3.13 veya 3.14, BotFather token'ı ve çalışan bir LLM sunucusu.

git clone https://github.com/semihbugrasezer/sisoft-project.git
cd sisoft-project
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env
ollama pull qwen2.5:7b
python main.py

.env içinde TELEGRAM_BOT_TOKEN değerini tanımlayın. Varsayılan backend Ollama + qwen2.5:7b'dir. LM Studio için:

LLM_BACKEND=openai_compatible
LLM_BASE_URL=http://localhost:1234
LLM_MODEL=google/gemma-4-e4b

vLLM aynı /v1/chat/completions adaptörünü kullanır. LM Studio gerçek kriter, tekli CV ve 5-CV akışlarıyla doğrulanmıştır; vLLM bu Apple Silicon ortamında canlı çalıştırılmamıştır. Tüm ayarlar açıklamalarıyla .env.example içindedir.

Kullanım

1. Bota kriterleri doğal dille yazın:
   React tecrübesi, temiz kod ve uzaktan çalışma uyumuna göre değerlendir.
2. Tek PDF gönderin; bot ayrıntılı Markdown raporu döndürür.
3. 2–5 PDF'yi albüm olarak gönderin; bot Top-3 JSON döndürür.
4. Tek tek yükleme için /batch, PDF'ler ve ardından /analyze kullanın.
5. /criteria_show, /cancel ve /reset yardımcı komutlardır.

Doğrulama

pip install -r requirements-dev.txt
python -m pytest -q
ruff check app main.py tests scripts
mypy app main.py

Gerçek LLM kabul testi PDF'deki kriter, tekli rapor ve Top-3 senaryosunu çalıştırır:

python scripts/validate_assignment.py
python scripts/validate_assignment.py --full

CI bu kapıları Python 3.13 ve 3.14 için çalıştırır. Tarihli Ollama, LM Studio ve Telegram sonuçları Canlı Doğrulama belgesindedir.

Demo

Gerçek Telegram + Ollama ile üretilen 5-CV Top-3 çıktısı:

Dokümantasyon

• Mimari — katmanlar, async model ve tasarım kararları
• LLM Hattı — prompt rolleri, şemalar ve grounding
• Gereksinim İzlenebilirliği — PDF → kod → test
• Canlı Doğrulama — otomatik ve gerçek-model kanıtları
• AI Destekli Geliştirme — araç kullanımı ve insan denetimi
• Güvenlik — veri yaşam döngüsü ve üretim sınırları

Sınırlamalar

• Görsel-tabanlı PDF'ler için OCR yoktur; okunabilir metin bulunmazsa belge reddedilir.
• Yerel model hızı donanıma bağlıdır; bu makinede 5-CV koşuları yaklaşık 8–27 dakika sürer.
• Çok uzun CV metni context güvenliği için kırpılır ve kullanıcı bilgilendirilir.
• SQLite kalıcılığı demo amaçlıdır; gerçek aday verileri için şifreli depolama ve erişim kontrolü gerekir. Ayrıntılar SECURITY.md içindedir.