Kimi K3 + claude-context: leikkaa token-kulut 27 % semanttisella koodinhaulla

Ydintulokset

Kimi K3 + claude-context MCP:n mitatut tulokset:
Tokenit laskivat 27,1 %, työkalukutsut laskivat 55 %, F1 parani 0,844:stä 0,946:een.

Django-koodikannan neljässä koodin paikannustehtävässä vertasimme puhdasta Kimi K3:ta ja Kimi K3:ta claude-context MCP:n kera. Tulokset osoittavat, että semanttisen haun kyvyt paransivat koodinhaun tehokkuutta ja tarkkuutta merkittävästi.

01 · Kimi K3 käytännössä

Valitsimme Django-koodikannan ja suunnittelimme neljä koodin paikannustehtävää testaamaan Kimi K3:n puhdasta mallipohjaista hakukykyä. Jokaisessa tehtävässä mallin oli paikannettava koodikannasta tietyn toiminnallisuuden toteutuspaikka.

Puhdas Kimi K3:

Mittari	Keskiarvo
Token-kulutus	125 147
Työkalukutsut	4,2
F1-pistemäärä	0,844

Havainto: puhdas K3-malli taipuu rajaamaan aluetta toistuvasti lukemalla tiedostoja ja hakemalla, mikä johtaa suureen token-kulutukseen ja useisiin työkalukutsuihin.

02 · Semanttisen haun optimointi

claude-context MCP:n kytkemisen jälkeen Kimi K3 voi ensin paikantaa olennaiset koodinpätkät tarkasti semanttisen haun avulla ja lukea ne kohdistetusti, mikä parantaa tehokkuutta huomattavasti.

Mittari	Pure Kimi K3	Kimi K3 + claude-context	Muutos
Keskimääräiset tokenit	125 147	91 174	↓ 27,1 %
Keskimääräiset työkalukutsut	4,2	1,9	↓ 55 %
F1-pistemäärä	0,844	0,946	↑ 12,1 %

Suurin ero tuli datetime_year_bounds_timezone-tehtävässä:

Suurin yksittäinen parannus:
Tokenit laskivat 143 684:stä 59 375:een, laskua −58,7 %. Tämä tehtävä koskee Djangon aikavyöhykekäsittelyn syvää logiikkaa, jota puhdas malli joutuu selaamaan laajasti, kun taas semanttinen haku osuu suoraan oikeaan paikkaan.

03 · Kytkentäopas

1. Milvus-/Zilliz-määritykset

claude-context tallentaa koodin semanttisen indeksin vektoritietokantaan. Se tukee sekä paikallista Milvusta että Zilliz Cloudia.

Määritä vektoritietokannan yhteystiedot tiedostoon ~/.context/.env. Zilliz Cloudilla pääset eroon paikallisesta asennuksesta.

2. Määritä .kimi-code/mcp.json

Luo projektin juurihakemistoon .kimi-code/mcp.json ja kirjoita sinne seuraava määritys:

{
  "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
    }
  }
}

3. Käynnistä Kimi Code indeksoimaan

Kun käynnistät Kimi Coden, claude-context MCP indeksoi koodikannan semanttisesti automaattisesti. Ensimmäiseen indeksointiin kuluva aika riippuu koodikannan koosta; myöhemmät kyselyt palautuvat sekunneissa.

04 · Johtopäätös

Valintasuositus:

Puhdas Kimi Code: pienet funktiot, yksittäiset tiedostot, tarkkaan määritellyt tehtävät — käytä suoraan ilman lisämäärityksiä.
Kimi K3 + claude-context: suuret koodikannat, moduulien välisen paikannuksen ja semanttisten yhteyksien ymmärtämistä vaativat tehtävät — kytkemisen vaikutus on huomattava.

claude-contextin semanttinen haku korjaa puhtaan mallin puutteen "sokeassa selaamisessa" suurissa koodikannoissa, tuo token-kulutuksen ja työkalukutsut järkeville tasoille ja parantaa paikannustarkkuutta. Yritystason koodikantojen tekoälyavusteisessa kehityksessä tämä on sijoituksen arvoinen optimointisuunta.

Lähteet

📄 WeChat-alkuperäisartikkeli: https://mp.weixin.qq.com/s/Av3Du22F0lTwBK-OVWgFCQ
💻 claude-context GitHub: https://github.com/zilliztech/claude-context