En este tutorial, configuramos y operamos Kimi CLI como un agente de codificación de IA completamente no interactivo. Instalamos la CLI a través de uv con un entorno Python 3.13 aislado, configuramos la autenticación de la API Moonshot a través de un proveedor basado en TOML y una definición de modelo, y creamos un contenedor Python reutilizable para ejecutar comandos CLI no interactivos. Luego aplicamos Kimi a un flujo de trabajo de proyecto realista en el que inspeccionamos una base de código, identificamos riesgos de implementación, modificamos de forma autónoma los archivos fuente, generamos pruebas unitarias, ejecutamos comandos de validación e iteramos hasta que el proyecto pasa su conjunto de pruebas. También exploramos flujos de eventos JSONL estructurados, sesiones persistentes de múltiples turnos, modo de plan, selección de modelo, bucles Ralph, integraciones MCP, exportación de sesiones y acceso basado en web, lo que nos brinda una base práctica para incorporar Kimi CLI en procesos de desarrollo automatizado e ingeniería agente.
Configuración del entorno e instalación de Kimi CLI
Comenzamos importando los módulos Python necesarios y definiendo un asistente de comando de shell reutilizable para la ejecución controlada del subproceso. Instalamos uv, agregamos su directorio binario a la ruta del entorno y lo usamos para aprovisionar a Kimi CLI con un tiempo de ejecución aislado de Python 3.13. Luego verificamos la instalación consultando la versión instalada de Kimi CLI.
Configuración de la autenticación de la API Moonshot y el acceso al modelo
[providers.moonshot]
tipo = “kimi” base_url = “{BASE_URL}” api_key = “{API_KEY}”
[models.kimi-k2]
proveedor = “moonshot” modelo = “{MODEL_NAME}” max_context_size = 131072 “””)) print(“Escribió ~/.kimi/config.toml”)
Recuperamos de forma segura la clave API Moonshot de Google Colab Secrets o la solicitamos mediante un mensaje de entrada oculto. Definimos el punto final de la API Moonshot y el modelo Kimi de destino, luego creamos el directorio de configuración .kimi requerido. Escribimos la configuración del proveedor, el modelo, la ventana contextual y el modelo predeterminado en config.toml para una autenticación no interactiva.
Creación de un contenedor de ejecución Kimi reutilizable y no interactivo
if stream_json: flags.append(“–print –output-format stream-json”) elif quiet: flags.append(“–quiet”) else: flags.append(“–print”) if yolo: flags.append(“–yolo”) if cont: flags.append(“–continue”) flags.append(f’-w “{work_dir}”‘) si es adicional: flags.append(extra) cmd = f’kimi {” “.join(flags)} -p “{prompt}”‘ print(f”\n$ {cmd}\n” + “-” * 60) r = subprocess.run(cmd, shell=True, capture_output=True, text=True, timeout=timeout) out = r.stdout.strip() print(out if out else r.stderr[-1500:]) regresar
Definimos un contenedor de Python que ejecuta las indicaciones de Kimi CLI mediante programación sin requerir una sesión de terminal interactiva. Ensamblamos dinámicamente indicadores para una salida silenciosa, eventos JSON transmitidos, aprobación de herramientas autónomas, continuación de sesiones, aislamiento del directorio de trabajo y límites de pasos. Capturamos el resultado del comando, mostramos la respuesta final o los detalles del error y devolvemos el resultado para su posterior procesamiento.
Creación y análisis de un proyecto de muestra realista
Creamos un pequeño proyecto de gestión de inventario que incluye un módulo Python, un script ejecutable y un archivo README. Incluimos intencionalmente defectos de implementación para permitir a Kimi inspeccionar la estructura del repositorio e identificar riesgos funcionales y de diseño. Luego ejecutamos un mensaje de análisis del proyecto de solo lectura en el directorio del proyecto y solicitamos una evaluación técnica concisa.
Automatización de reparación, pruebas y validación independiente de códigos
Permitimos que Kimi modifique el proyecto de forma autónoma, corrija la lógica del inventario, genere pruebas unitarias y ejecute el conjunto de pruebas. Configuramos un límite máximo de pasos de agente para que el modelo pueda diagnosticar fallas de manera iterativa y refinar su implementación hasta que la validación sea exitosa. Inspeccionamos los archivos Python resultantes y volvemos a ejecutar las pruebas de forma independiente para confirmar que los cambios generados funcionan correctamente.
Explorando JSONL estructurado, sesiones y funciones avanzadas
Ejecutamos Kimi con salida JSON transmitida y analizamos cada evento JSONL para inspeccionar tipos de respuesta legibles por máquina. Demostramos la memoria persistente de múltiples turnos almacenando un nombre en clave de lanzamiento y recuperándolo durante una sesión en curso en el mismo directorio de trabajo. Concluimos revisando comandos avanzados para planificación, cambio de modelo, modo de pensamiento, bucles Ralph, herramientas MCP, exportación de sesiones y acceso web.
En conclusión, establecimos un flujo de trabajo Kimi CLI de extremo a extremo que se ejecuta completamente sin depender de una sesión de terminal interactiva. Pasamos del aprovisionamiento del entorno y la configuración de API al análisis de proyectos, reparación autónoma de código, generación de pruebas, análisis de resultados estructurados y continuación de sesiones. También verificamos de forma independiente los cambios del agente, lo que nos ayuda a distinguir los resultados generados de los resultados de ejecución reales y mejora la confiabilidad del flujo de trabajo. Con el contenedor reutilizable y los comandos de referencia implementados, ahora podemos extender la misma arquitectura a repositorios más grandes, tareas de validación de estilo CI, cadenas de herramientas habilitadas para MCP, bucles iterativos de mejora de software y otros flujos de trabajo de desarrollo programables asistidos por IA.
Consulte el código completo aquí. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 150.000 ml y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub O su página principal de Hugging O su lanzamiento de producto O seminario web, etc.? Conéctate con nosotros
A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.