Kimi K3 + claude-context MCP: optimización de la recuperación de código, en pruebas
Conclusiones clave
Tokens reducidos un 27,1 %, llamadas a herramientas reducidas un 55 %, y F1 mejorado de 0,844 a 0,946.
Sobre 4 tareas de localización de código en un repositorio Django, comparamos Kimi K3 en solitario con Kimi K3 conectado al MCP claude-context. El resultado salta a la vista: añadir una capa de recuperación semántica mejora de forma notable la eficiencia y la precisión de la localización de código.
01 · Pruebas reales de Kimi K3
Tomamos como base un repositorio Django y diseñamos 4 tareas de localización de código para medir la capacidad de recuperación del modelo Kimi K3 por sí solo. Cada tarea exigía que el modelo encontrase el punto exacto del repositorio en el que se implementa una funcionalidad concreta.
Rendimiento de Kimi K3 en solitario:
| Métrica | Promedio |
|---|---|
| Consumo de tokens | 125 147 |
| Llamadas a herramientas | 4,2 |
| Puntuación F1 | 0,844 |
02 · Optimización con recuperación semántica
Al integrar el MCP claude-context, Kimi K3 puede acotar primero mediante recuperación semántica los fragmentos de código relevantes y leerlos después de forma dirigida, con el consiguiente aumento de eficiencia.
| Métrica | Kimi K3 en solitario | Kimi K3 + claude-context | Variación |
|---|---|---|---|
| Promedio de tokens | 125 147 | 91 174 | ↓ 27,1 % |
| Promedio de llamadas a herramientas | 4,2 | 1,9 | ↓ 55 % |
| Puntuación F1 | 0,844 | 0,946 | ↑ 12,1 % |
La mayor diferencia aparece en la tarea datetime_year_bounds_timezone:
Los tokens pasan de 143 684 a 59 375, una caída del 58,7 %. Esta tarea involucra la lógica más profunda del tratamiento de zonas horarias en Django: el modelo en solitario necesita un recorrido exhaustivo, mientras que la recuperación semántica llega al objetivo de un solo paso.
03 · Guía de integración
1Preparar la configuración de Milvus / Zilliz
claude-context almacena el índice semántico del código en una base de datos vectorial. Admite Milvus local o Zilliz Cloud.
~/.context/.env. Con Zilliz Cloud te ahorras el despliegue local.
2Configurar .kimi-code/mcp.json
Crea el archivo .kimi-code/mcp.json en la raíz del proyecto con el siguiente contenido:
{
"mcpServers": {
"claude-context": {
"command": "bash",
"args": [
"-lc",
"set -a; source ~/.context/.env; set +a; export CUSTOM_EXTENSIONS=.py,.js,.ts,.tsx,.go,.java; export CUSTOM_IGNORE_PATTERNS=node_modules/**,.git/**,dist/**,build/**,*.png,*.jpg,*.jpeg,*.gif,*.svg; npx -y @zilliz/claude-context-mcp@latest"
],
"startupTimeoutMs": 60000,
"toolTimeoutMs": 600000
}
}
}3Iniciar Kimi Code y construir el índice
Al arrancar Kimi Code, el MCP claude-context indexa automáticamente el repositorio. El tiempo del primer indexado depende del tamaño del código; las consultas posteriores se resuelven en cuestión de segundos.
04 · Conclusiones
- Kimi Code en solitario: para funciones pequeñas, ficheros únicos y objetivos claros; se usa directamente, sin configuración adicional.
- Kimi K3 + claude-context: para repositorios grandes, localización entre módulos y casos en los que importa la relación semántica; la mejora tras la integración es notable.
La recuperación semántica de claude-context cubre el punto débil del modelo en solitario —la «búsqueda a ciegas» dentro de bases de código extensas— y lleva el consumo de tokens y de llamadas a herramientas a un nivel razonable, al tiempo que mejora la precisión de la localización. Para el desarrollo asistido por IA sobre bases de código empresariales, se trata de una línea de optimización en la que merece la pena invertir.
Fuentes
- 📄 Artículo original (cuenta oficial de WeChat): https://mp.weixin.qq.com/s/Av3Du22F0lTwBK-OVWgFCQ
- 💻 Repositorio de claude-context en GitHub: https://github.com/zilliztech/claude-context
✓ Contenido verificado · 2026-07-22