EVREN API ile E-Ticaret SEO Otomasyonu: 4 Uygulamalı Örnek

EVREN API, Savunma Sanayii Başkanlığı’nın EVREN platformunun OpenAI uyumlu büyük dil modeli servisidir: GLM-5.3, DeepSeek V4 Flash ve Qwen ailesinden 12 açık ağırlıklı model, Türkiye’deki H200 kümesinde çalışır ve 1 Kasım 2026’ya kadar günde 10 milyon token’a kadar ücretsizdir. Bir e-ticaret SEO ekibi için bu, kategori açıklaması, meta etiketi, alt text ve iç link analizini sıfır API maliyetiyle otomatikleştirmek demek.

Bu yazı, Python bilen ya da geliştiriciyle çalışan SEO ve e-ticaret ekipleri için. Sonunda EVREN’den anahtar alıp ilk isteği atabilecek, dört somut SEO işini hangi modelle ve hangi prompt yapısıyla çalıştıracağını bilecek ve ölçekli üretimde Google’ın spam politikasına takılmamak için nerede fren yapacağını görmüş olacaksın.

Özetle

• EVREN API, OpenAI SDK ile çalışır; sadece base_url ve anahtarı değiştirmek yeter.
• Test döneminde (1 Kasım 2026’ya kadar) tüm modeller 0 kredi; kota günde 10M token, dakikada 500K token, 32 paralel istek.
• Kategori açıklaması gibi kalite işleri için GLM-5.3 (denememde kusursuz ama yavaş), toplu meta için DeepSeek V4 Flash (hızlı ama sınır ihlali yapıyor, kodda doğrula), görsel alt text için Gemma 4 31B, kanibalizasyon ve iç link için Qwen3 embedding + reranker.
• Veri Türkiye’de kalıyor; bu, müşteri verisi içeren işleri yurt dışı API’ye göndermek istemeyen ekipler için asıl fark.
• Otomasyon üretir, insan yayınlar: ölçekli içerikte Google’ın “scaled content abuse” politikası hâlâ geçerli.

EVREN API nedir ve bir SEO’cu neden ilgilensin?

EVREN API, EVREN yapay zeka platformunun “LLM çıkarım katmanı” olarak sunduğu, OpenAI’ın /chat/completions, /embeddings gibi uç noktalarını birebir taklit eden bir servistir. Platformun asıl gövdesi savunma sanayii için kurulmuş bir MLOps altyapısı: veri etiketleme, 64 adet NVIDIA H200 üzerinde model eğitimi, model dağıtımı. LLM servisi bu altyapının üstüne Eylül 2026’da eklendi ve e-Devlet ile giriş yapan herkese açıldı.

SEO’cu için üç şey önemli. Birincisi maliyet: test süresince tüm çıkarım modelleri 0 kredi, yani ücretsiz; platformun kredi sistemi de para değil katkı (etiketleme, veri seti paylaşımı) ile işliyor. İkincisi ölçek: günde 10 milyon token, kabaca 3.000–4.000 kategori açıklaması ya da 25.000 meta etiketi demek. Üçüncüsü veri egemenliği: istem, yanıt ve kullanım kayıtları Türkiye’deki bare-metal sunucularda işleniyor, yurt dışına aktarım yok. Ürün, fiyat ve arama verisini üçüncü ülke bulutuna göndermek istemeyen kurumsal ekipler için bu, “hangi API” sorusunun cevabını tek başına değiştirebiliyor.

Model filosu tek bir uç noktanın arkasında; model="auto" dersen isteğin yeteneğine ve anlık yüke göre model kendisi seçiliyor. SEO işlerinde ben “auto” yerine modeli açıkça seçmeyi öneriyorum; çıktı tutarlılığı, toplu işte otomatik yönlendirmeden daha değerli.

EVREN API anahtarı nasıl alınır ve ilk istek nasıl atılır?

Anahtar almak üç adım: e-Devlet ile giriş, LLM çıkarım sayfasından “API Anahtarı Oluştur”, ardından kullanım şartlarını API üzerinden bir kez kabul etmek. Şart kabulü diğer sağlayıcılarda olmayan bir adım; atlarsan ilk isteğin 403 terms_not_accepted ile dönüyor. GET /v1/terms/status yanıtındaki current_version değerini alıp GET /v1/terms/text ile metni okuyor, POST /v1/terms/accept gövdesine aynı sürüm numarasını yazıyorsun; hesap başına bir kez yetiyor. Kimlik doğrulama için hem Authorization: Bearer hem düz X-API-Key başlığı kabul ediliyor.

1. Giriş: evren.ssyz.org.tr adresinden e-Devlet ile giriş yap. Her TCKN için tek hesap açılıyor; kurumsal ekipte anahtarı kimin hesabından alacağınızı baştan belirleyin.
2. Anahtar: LLM Çıkarımı sayfasındaki “API Anahtarı Oluştur” ile evren_llm_ önekli anahtarı üret. Anahtarı ortam değişkeninde tut; koda ve repoya yazma.
3. Şartlar: Aşağıdaki gibi bir kez şart onayı gönder.
4. İlk istek: OpenAI SDK’yı base_url="https://evren-llmapi.ssyz.org.tr/v1" ile kur; gerisi alıştığın kodun aynısı.

import os, requests
from openai import OpenAI

BASE = "https://evren-llmapi.ssyz.org.tr/v1"
KEY = os.environ["EVREN_API_KEY"]          # evren_llm_...
H = {"Authorization": f"Bearer {KEY}"}

# 1) Kullanım şartları: bir kez
st = requests.get(f"{BASE}/terms/status", headers=H).json()
if not st.get("accepted"):
    terms = requests.get(f"{BASE}/terms/text", headers=H).json()
    print(terms["content"][:2000])           # oku, sonra onayla
    requests.post(f"{BASE}/terms/accept", headers=H,
                  json={"version": st["current_version"]}).raise_for_status()

# 2) OpenAI SDK ile ilk istek
client = OpenAI(base_url=BASE, api_key=KEY)
r = client.chat.completions.create(
    model="glm-5.3",
    messages=[{"role": "user",
               "content": "Bir e-ticaret kategori sayfası için 'topuklu ayakkabı' "
                          "sorgusunun arama niyetini tek cümleyle sınıflandır."}],
    temperature=0.2,
)
print(r.choices[0].message.content)
print(r.usage)   # usage.evren.routed_model: gerçekte hangi model cevapladı

Yanıt başlıklarında (X-Evren-Credits-*) kalan kota geliyor; toplu iş yazarken bunları loglamak işe yarıyor. Hata kodları da ayrışıyor: 429 hesap kotası, 503 anlık sunucu doluluğu; dakikalık limit dolduğunda hesap kilitlenmiyor, en fazla 60 saniye bekliyorsun. Akışlı yanıt için stream=True yeterli; son SSE paketinin choices dizisi boş gelebiliyor, istemcinin bunu tolere etmesi gerekiyor.

Uygulama 1: Kategori açıklamasını yapılandırılmış çıktıyla üretmek

Kategori açıklaması üretiminde en iyi sonuç, modele serbest metin değil doldurması gereken bir JSON şeması vermekten çıkıyor. Böylece H1, üst açıklama, alt açıklama, SSS ve meta alanlarını tek istekte alıp doğrudan CMS alanlarına yazabiliyorsun; uzunluk ve yasaklı ifade kontrolünü de kodda yapıyorsun, modele yalvararak değil. Kategori sayfası SEO’su yazısında anlattığım “üstte 60–100 kelime, altta 300+ kelime” yapısı burada şemanın alanlarına dönüşüyor.

import json
from openai import OpenAI
client = OpenAI(base_url="https://evren-llmapi.ssyz.org.tr/v1",
                api_key=os.environ["EVREN_API_KEY"])

SCHEMA = {
  "type": "object",
  "properties": {
    "h1": {"type": "string", "maxLength": 60},
    "ust_aciklama": {"type": "string"},       # 60-100 kelime, ürün gridinin üstü
    "alt_aciklama": {"type": "string"},       # 300+ kelime, H2'li
    "sss": {"type": "array", "items": {
        "type": "object",
        "properties": {"soru": {"type": "string"}, "cevap": {"type": "string"}},
        "required": ["soru", "cevap"]}},
    "meta_title": {"type": "string", "maxLength": 60},
    "meta_description": {"type": "string", "maxLength": 155}
  },
  "required": ["h1", "ust_aciklama", "alt_aciklama", "sss", "meta_title", "meta_description"]
}

def kategori_uret(kategori, urun_ornekleri, sorgu_kumesi, marka_tonu):
    sys = ("Sen bir e-ticaret SEO editörüsün. Türkçe yaz. Uydurma özellik, "
           "fiyat veya kampanya yazma; yalnızca verilen ürün verisine dayan. "
           "Anahtar kelimeyi doğal kullan, yığma yapma.")
    user = (f"Kategori: {kategori}\nMarka tonu: {marka_tonu}\n"
            f"Hedef sorgular: {', '.join(sorgu_kumesi)}\n"
            f"Kategorideki örnek ürünler (ad | özellik | fiyat bandı):\n"
            + "\n".join(urun_ornekleri))
    r = client.chat.completions.create(
        model="glm-5.3",
        messages=[{"role": "system", "content": sys},
                  {"role": "user", "content": user}],
        response_format={"type": "json_schema",
                         "json_schema": {"name": "kategori", "schema": SCHEMA}},
        temperature=0.4,
    )
    return json.loads(r.choices[0].message.content)

Üç kural işi kurtarıyor. Ürün verisini prompt’a sen ver, modelin “bilmesine” güvenme; aksi halde stokta olmayan özellikler açıklamaya sızıyor. Hedef sorgu kümesini Search Console’dan çek, tahmin etme. Ve çıktıyı yayınlamadan önce en azından uzunluk, yasaklı kelime ve tekrar oranı kontrolünden geçir; bunu yapmayan ekiplerde 500 kategorinin 480’i aynı üç cümleyle başlıyor.

Uygulama 2: Toplu meta title ve description üretimi

Meta üretimi hacim işi olduğu için burada model seçimi GLM değil DeepSeek V4 Flash; daha hızlı, 32 paralel istek limitini rahat dolduruyor ve bu tür kısa, kurallı üretimde amiral modelle arasında fark göremiyorsun. Kritik olan prompt değil, boru hattı: eşzamanlılığı 32’de tut, dakikada 500K token’ı aşma, her çıktıyı karakter sınırına göre doğrula ve geçmeyeni tekrar ürettir. Bir de EVREN’e özgü bir ayrıntı: DeepSeek ve Qwen modellerinde max_tokens düşünme ve yanıt için ortak bütçe; platform en az 2048, tercihen 4096 öneriyor, aksi halde bütçe düşünme aşamasında biter ve JSON yarım kalır.

import asyncio, json, csv
from openai import AsyncOpenAI
client = AsyncOpenAI(base_url="https://evren-llmapi.ssyz.org.tr/v1",
                     api_key=os.environ["EVREN_API_KEY"])
SEM = asyncio.Semaphore(32)   # EVREN paralel istek limiti

async def meta_uret(row):
    prompt = (f"Sayfa: {row['url']}\nH1: {row['h1']}\nAna sorgu: {row['sorgu']}\n"
              f"Sayfa özeti: {row['ozet'][:800]}\n"
              "JSON döndür: {\"title\": ≤60 karakter, sorgu başta; "
              "\"description\": 120-155 karakter, fayda + eylem çağrısı}")
    async with SEM:
        for _ in range(3):                       # doğrulama + yeniden deneme
            r = await client.chat.completions.create(
                model="deepseek-v4-flash",
                messages=[{"role": "user", "content": prompt}],
                response_format={"type": "json_object"}, temperature=0.3,
                max_tokens=4096)                 # düşünme + yanıt ortak bütçe
            out = json.loads(r.choices[0].message.content)
            if len(out["title"]) <= 60 and 120 <= len(out["description"]) <= 155:
                return {**row, **out}
        return {**row, "title": "", "description": "", "hata": "sinir_disi"}

async def main():
    rows = list(csv.DictReader(open("sayfalar.csv", encoding="utf-8")))
    sonuc = await asyncio.gather(*(meta_uret(r) for r in rows))
    with open("meta_cikti.csv", "w", newline="", encoding="utf-8") as f:
        w = csv.DictWriter(f, fieldnames=sonuc[0].keys()); w.writeheader(); w.writerows(sonuc)

asyncio.run(main())

Çıktıyı doğrudan CMS’e yazmak yerine CSV’ye alıp örneklem kontrolünden geçirmeni öneririm; 1.000 sayfada 50 tanesine bakmak yarım saat sürüyor ve sistematik hataları (aynı kalıpla başlayan description’lar, marka adının yanlış yazılması) yakalıyor.

Uygulama 3: Embedding ile kanibalizasyon ve iç link önerisi

Kanibalizasyon tespiti, sayfaların vektör benzerliğini hesaplayıp eşik üstündeki çiftleri listelemekten ibaret; EVREN’deki Qwen3 embedding modeli Türkçe gömme ölçütünde birinci olduğu için Türkçe kategori ve blog başlıklarında İngilizce ağırlıklı modellerden daha güvenilir sonuç veriyor. Aynı vektörler iç link adayı bulmak için de kullanılıyor: yeni yazdığın sayfaya en yakın 10 sayfayı bul, reranker ile hedef sorguya göre sırala, ilk üçüne link ver.

import numpy as np, requests
from openai import OpenAI
BASE = "https://evren-llmapi.ssyz.org.tr/v1"
client = OpenAI(base_url=BASE, api_key=os.environ["EVREN_API_KEY"])

def gom(metinler):
    r = client.embeddings.create(model="qwen3-embedding-8b", input=metinler)
    v = np.array([d.embedding for d in r.data]); return v / np.linalg.norm(v, axis=1, keepdims=True)

sayfalar = [...]   # {"url":..., "metin": h1 + ilk 300 kelime}
V = gom([s["metin"] for s in sayfalar])
S = V @ V.T
# Kanibalizasyon: 0.85 üstü benzerlikteki çiftler
for i in range(len(sayfalar)):
    for j in range(i + 1, len(sayfalar)):
        if S[i, j] > 0.85:
            print("Kanibal?", sayfalar[i]["url"], sayfalar[j]["url"], round(S[i, j], 3))

# İç link: yeni sayfa için en yakın 10 aday, reranker ile sorguya göre sırala
def ic_link_adaylari(yeni_metin, hedef_sorgu, k=10):
    q = gom([yeni_metin])[0]
    aday = np.argsort(-(V @ q))[:k]
    r = requests.post(f"{BASE}/rerank",
        headers={"Authorization": f"Bearer {os.environ['EVREN_API_KEY']}"},
        json={"model": "qwen3-reranker-8b", "query": hedef_sorgu,
              "documents": [sayfalar[i]["metin"] for i in aday], "top_n": 3}).json()
    return [sayfalar[aday[x["index"]]]["url"] for x in r["results"]]

Eşik değeri (0.85) siteye göre değişir; ilk çalıştırmada eşiği düşük tutup listeye göz atarak kalibre et. Ürün varyantları (aynı model, farklı renk) doğal olarak yüksek benzerlik verir; bunları canonical ile çözüyorsun, açıklamayı değiştirerek değil. Entity SEO tarafında da aynı vektörler işine yarıyor: marka ve ürün varlıklarının hangi sayfalarda kümelendiğini görmek için.

Uygulama 4: Ürün görsellerine alt text yazdırmak

Alt text için Gemma 4 31B’yi görselle birlikte çağırıyorsun; model nesne tespiti ve ekran yorumlama için eğitildiğinden ürün fotoğrafında renk, malzeme, kesim gibi ayrıntıları makul doğrulukla yakalıyor. Prompt’a ürün adı ve kategoriyi de ver; görselde görünmeyeni (beden, fiyat) yazmamasını açıkça söyle. Görsel image_url alanında base64 olarak gitmeli; uzak URL kabul edilmiyor, video ise test döneminde kapalı.

import base64
def alt_text(yol, urun_adi, kategori):
    b64 = base64.b64encode(open(yol, "rb").read()).decode()
    r = client.chat.completions.create(
        model="gemma-4-31b",
        messages=[{"role": "user", "content": [
            {"type": "text", "text":
             f"Ürün: {urun_adi} ({kategori}). Bu görsel için 8-14 kelimelik Türkçe alt text yaz. "
             "Yalnızca görselde görüneni betimle; beden, fiyat, kampanya yazma; "
             "'resim', 'görsel' kelimeleriyle başlama."},
            {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}}]}],
        temperature=0.2, max_tokens=60)
    return r.choices[0].message.content.strip()

Alt text’i sadece erişilebilirlik için değil, Product schema‘daki image alanı ve Google Görseller trafiği için de üretmiş oluyorsun; aynı çağrıya “görsel ile ürün başlığı tutarlı mı” sorusunu ekleyerek yanlış görsel atanmış ürünleri de yakalayabiliyorsun.

Sınırlar: Neye dikkat etmek gerekir?

En büyük sınır zamandır: ücretsiz dönem 1 Kasım 2026’da bitiyor ve sonrası için ilan edilmiş bir tarife yok. Bu yüzden EVREN’e bağımlı bir üretim hattı değil, base_url ve model adı değişince başka bir OpenAI uyumlu sağlayıcıya geçebilen bir hat kurmalısın; yukarıdaki kodların hepsi bu şekilde yazıldı. Sistemin “beta” olduğunu ve model listesi, kota ve şartların değişebileceğini platform da açıkça söylüyor.

İkinci sınır politika. Verinin Türkiye’de kalması KVKK açısından işi kolaylaştırıyor ama müşteri verisini prompt’a koymadan önce kullanım şartlarını okumak hâlâ senin sorumluluğun; ürün ve kategori verisiyle sınırlı kalmak en temiz yol. Google tarafında ise ölçekli içerik kötüye kullanımı politikası, içeriğin nasıl üretildiğine değil kullanıcıya değer katıp katmadığına bakıyor; bin kategoriye aynı kalıpla açıklama basmak, hangi modelle basıldığından bağımsız olarak risk. Üretim otomatik, yayın kararı insan olmalı.

Üçüncüsü teknik: 12 model aynı anda çevrimiçi görünse de “tahmini bekleme” göstergesi yoğun saatlerde “uzun”a dönüyor. Toplu işi gece çalıştır, zaman aşımını cömert tut ve yeniden deneme mantığını üstel bekleme ile yaz. OCR modelleri az metinli görsellerde uydurma eğiliminde; ürün etiketinden tek satır okutmak yerine katalog sayfası gibi metin yoğun belgelerde kullan.

Kendi denemem: ne kadar sürdü, ne çıktı?

İki işi EVREN’in kendi sohbet ekranında, Uygulama 1 ve 2’deki prompt’larla birebir denedim; ürün verisi uydurma bir “kadın topuklu ayakkabı” kategorisiydi. Sonuç, bu yazıdaki model tavsiyelerini de değiştirdi.

GLM-5.3, kategori açıklaması. Çıktı kusursuzdu: geçerli JSON, H1 32 karakter, üst açıklama 78 kelime, alt açıklama 396 kelime ve dört H2, meta title 46 ve description 153 karakter, üç SSS; verdiğim dört ürünün dışında tek bir özellik uydurmadı. Bedeli süreydi: yanıt 5 dakikadan uzun sürdü ve 13.396 çıktı token’ı harcadı, çünkü model önce İngilizce düşünüp her alanın kelime ve karakter sayısını tek tek saydı, “kusursuz işçilik” gibi bir ifadeyi “abartısız” tonuna aykırı bulup kendi kendine düzeltti. Bu düşünme kalitenin kaynağı, ama 500 kategoride sürdürülebilir değil; API’de max_tokens ile düşünme bütçesini sınırlamak ya da uzunluk denetimini modele değil koda bırakmak gerekiyor.

DeepSeek V4 Flash, beş sayfa için meta. Yirmi saniyede, 3.013 token’la döndü. Beş title’ın hepsi 60 karakterin altındaydı ama beş description’ın üçü 155 karakteri aştı (160, 163, 167); beşi de ünlemle bitti ve “hemen alışverişe başla / hemen sipariş ver” kalıbıyla kapandı; iki tanesi prompt’ta olmayan “kampanyalı fırsatlar”, biri “su geçirmez” vaadi ekledi. Yani hız tarafında sorun yok, ama Uygulama 2’deki karakter doğrulaması ve yeniden deneme döngüsü süs değil, zorunluluk; “uydurma kampanya yazma” satırı da sistem prompt’unda durmalı.

Denemeler sırasında platform üst bantta GLM-5.3 kümesinin 8’den 16 H200’e çıkarıldığını ve planlı geçiş yapıldığını duyuruyordu; bekleme süreleri gün içinde değişebiliyor. Toplu işi gece çalıştırma önerim buradan geliyor.

Sık sorulan sorular

EVREN API gerçekten ücretsiz mi?

Evet, 1 Kasım 2026’ya kadar tüm çıkarım modelleri 0 kredi olarak sunuluyor. Sonrası için tarife açıklanmadı; platform genel olarak katkı bazlı kredi sistemiyle çalıştığından ücretsiz kullanım muhtemelen veri etiketleme ve veri seti paylaşımı gibi katkılarla kazanılan kredilere bağlanacak. Üretim hattını sağlayıcıdan bağımsız kurmak bu belirsizliğe karşı en iyi önlem.

EVREN API’yi kimler kullanabilir?

e-Devlet hesabı olan herkes; savunma sanayii ile ilişkili olmak şart değil. Platform üniversiteler, KOBİ’ler, araştırmacılar ve bireysel geliştiriciler için açıldı. Her TCKN için tek hesap açılabiliyor ve API anahtarı bu hesaba bağlı; kurumsal kullanımda anahtarın kimin hesabında olduğu ve kullanım şartlarının kabulü bir kişiye bağlanıyor.

EVREN API OpenAI SDK ile çalışır mı?

Evet. Resmi Python ve Node OpenAI SDK’larında base_url değerini https://evren-llmapi.ssyz.org.tr/v1, api_key değerini EVREN anahtarı yapmak yeterli; chat, embeddings ve akışlı yanıt aynı arayüzle çalışıyor. Platform Codex CLI ve Vercel AI SDK uyumluluğunu da belirtiyor. Rerank ve OCR gibi OpenAI’da karşılığı olmayan uç noktalar için düz HTTP isteği atıyorsun.

EVREN API günlük limiti nedir?

Test döneminde günde 10 milyon token, dakikada 500 bin token ve 32 paralel istek. Model bazında ayrıca eşzamanlı istek limitleri var; örneğin GLM-5.3 için 434, DeepSeek V4 Flash için 108. Kalan kota her yanıtın başlıklarında geliyor, toplu işte bunu loglamak yeterli. Platform saatlik gizli kilit uygulamadığını belirtiyor.

Verilerim yurt dışına gidiyor mu?

Platformun beyanına göre hayır: istem, yanıt ve kullanım kayıtları Türkiye’deki bare-metal H200 kümesinde işleniyor ve yurt dışına aktarılmıyor. Bu, yurt dışı API’lere müşteri verisi göndermek istemeyen ekipler için EVREN’in asıl farkı. Yine de kullanım şartlarını okumak ve prompt’a müşteri verisi koymadan önce hukuk ekibine sormak senin sorumluluğunda.

Buradan nereye?

Önce tek bir işle başla: 20 kategori seç, Uygulama 1’deki şemayla açıklama ürettir, mevcut açıklamalarla yan yana oku. Fark görüyorsan hattı meta ve alt text’e genişlet; ölçmek için Search Console’un yapay zeka raporunu ve klasik performans raporunu güncellenen sayfalar için 4 hafta izle. Üretilen içeriğin AI motorlarında alıntılanmasını istiyorsan çıktı şemasına GEO rehberindeki “ilk cümle cevap, tablo, SSS” kalıbını baştan yaz; sonradan düzeltmekten ucuz.

Kaynaklar

1. EVREN LLM Çıkarımı: model filosu, kota ve limitler
2. EVREN Modeller ve API: uç noktalar, şart onayı, hız sınırları (giriş gerekir)
3. EVREN Kredi Sistemi
4. EvrenLLM-Kullanim: topluluk istemcisi ve uç nokta notları (GitHub)
5. Anadolu Ajansı: SSB Yapay Zeka Platformu tanıtıldı
6. Google Search Central: Spam politikaları, ölçekli içerik kötüye kullanımı
7. OpenAI: Structured Outputs (response_format json_schema)