Kimi K3 + claude-context : réduire la consommation de tokens de 27 % avec la recherche sémantique

Auteure : 王舒虹 (Zilliz)

Résultats clés

Nous avons combiné Kimi K3 avec le MCP claude-context et mesuré les performances de recherche sur des bases de code volumineuses. Les indicateurs principaux :

Consommation de tokens : 125 147 → 91 174 tokens (-27,1 % d'économie)
Appels d'outils : 4,2 → 1,9 appels (-55 % de réduction)
Score F1 : 0,844 → 0,946 (+12,1 % d'amélioration)

Graphique comparatif des indicateurs de performance

💡 Insight principal : Raccourcir les chemins de recherche permet d'économiser des tokens. L'effet est d'autant plus marqué que le dépôt est volumineux.

Benchmark : Kimi K3 testé sur la base de code Django

Nous avons testé Kimi K3 sur la base de code Django avec quatre tâches pour mesurer ses performances de base :

year_bounds_between – Calcul de plages d'années
iso_year_lookup – Logique de recherche d'année ISO
select_for_update – Requêtes de verrouillage de base de données
datetime_year_bounds_timezone – Plages d'années avec gestion des fuseaux horaires

Performance moyenne de Kimi K3 seul :

Indicateur	Moyenne
Consommation de tokens	125 147 tokens
Appels d'outils	4,2 appels
Score F1	0,844

Dans les grandes bases de code, Kimi K3 consomme des quantités importantes de tokens pour parcourir les répertoires à la recherche de fichiers pertinents. Le parcours séquentiel de plusieurs niveaux de répertoires est particulièrement inefficace.

Optimisation avec le MCP claude-context

L'ajout du MCP claude-context a permis d'intégrer la recherche sémantique de code. Cette approche utilise une base de données vectorielle Milvus/Zilliz pour indexer la base de code et permettre la recherche de segments de code pertinents par similarité sémantique.

Architecture d'intégration du MCP claude-context

Variables de contrôle

Paramètre	Valeur
Modèle	Kimi K3
Base de code	Django (branche main)
Base vectorielle	Milvus / Zilliz Cloud
Embeddings	voyage-code-3
Taille des chunks	512 tokens

Comparaison des résultats

Tâche	K3 seul (tokens)	K3 + claude-context (tokens)	Économie
year_bounds_between	112 458	95 213	-15,3 %
iso_year_lookup	108 792	89 467	-17,8 %
select_for_update	135 653	110 641	-18,4 %
datetime_year_bounds_timezone	143 684	59 375	-58,7 %

⚠️ Analyse du pire cas : Pour la tâche datetime_year_bounds_timezone, la consommation de tokens est passée de 143 684 à 59 375 (-58,7 %). Le code lié aux fuseaux horaires étant réparti sur plusieurs modules, l'effet de la recherche sémantique y est le plus prononcé.

Visualisation du raccourcissement des chemins de recherche

Guide d'installation (3 étapes)

Étape 1 : Configuration Milvus/Zilliz

Créez un fichier .env avec les identifiants de connexion à la base de données vectorielle :

# Fichier .env
MILVUS_URI=https://your-zilliz-cloud-endpoint
MILVUS_TOKEN=your-api-key

Étape 2 : Créer le fichier de configuration MCP

Créez le fichier .kimi-code/mcp.json à la racine du projet :

{
  "mcpServers": {
    "claude-context": {
      "command": "npx",
      "args": ["claude-context-mcp"],
      "env": {
        "MILVUS_URI": "${MILVUS_URI}",
        "MILVUS_TOKEN": "${MILVUS_TOKEN}"
      }
    }
  }
}

Étape 3 : Indexation du code avec Kimi CLI

Exécutez la commande Kimi CLI pour indexer la base de code dans la base de données vectorielle :

# Lancer l'indexation du code
kimi index --path ./your-project

# Vérifier le statut de l'indexation
kimi index status

Conclusion

Petits projets centrés sur les fonctions : Kimi Code seul suffit. La surcharge de claude-context serait ici superflue.

Grands dépôts : claude-context vaut la peine d'être essayé, notamment lorsque le code doit être suivi à travers plusieurs modules.

💡 Connaissance essentielle : On peut économiser des tokens en raccourcissant les chemins de recherche. Au lieu de parcourir séquentiellement les fichiers, la recherche sémantique permet un accès immédiat aux segments de code les plus pertinents grâce à la similarité vectorielle.

Sources

Vérifié le : 2026-07-22