मुख्य नतीजे
Token में 27.1% की कमी, Tool Calls में 55% की कमी, और F1 स्कोर 0.844 से बढ़कर 0.946 हो गया।
हमने Django कोडबेस पर 4 कोड-लोकेशन टास्क के साथ प्योर Kimi K3 और claude-context MCP जोड़ने के बाद के नतीजों की तुलना की। परिणाम बताते हैं कि सिमेंटिक रिट्रीवल क्षमता को जोड़ने से कोड रिट्रीवल की दक्षता और सटीकता दोनों में ज़बरदस्त सुधार हुआ।
01 · Kimi K3 का वास्तविक टेस्ट
हमने Django कोडबेस चुना और Kimi K3 की प्योर-मॉडल रिट्रीवल क्षमता नापने के लिए 4 कोड-लोकेशन टास्क डिज़ाइन किए। हर टास्क में मॉडल को कोडबेस में किसी खास फ़ंक्शनैलिटी के इम्प्लीमेंटेशन की जगह ढूँढ़नी थी।
प्योर Kimi K3 का प्रदर्शन:
| मैट्रिक | औसत |
|---|---|
| Token खपत | 125,147 |
| Tool Calls | 4.2 |
| F1 Score | 0.844 |
02 · सिमेंटिक रिट्रीवल ऑप्टिमाइज़ेशन जोड़ना
claude-context MCP जोड़ने के बाद, Kimi K3 पहले सिमेंटिक रिट्रीवल से सटीक रूप से संबंधित कोड स्निपेट लोकेट कर सकता है और फिर उन्हें टारगेटेड तरीके से पढ़ सकता है — जिससे दक्षता में बहुत बड़ा इज़ाफ़ा होता है।
| मैट्रिक | Pure Kimi K3 | Kimi K3 + claude-context | बदलाव |
|---|---|---|---|
| औसत Token | 125,147 | 91,174 | ↓ 27.1% |
| औसत Tool Calls | 4.2 | 1.9 | ↓ 55% |
| F1 Score | 0.844 | 0.946 | ↑ 12.1% |
सबसे बड़ा फ़ासला datetime_year_bounds_timezone टास्क पर दिखा:
Token गिरकर 143,684 से 59,375 पर आ गए, यानी -58.7% की कमी। ये टास्क Django के टाइमज़ोन हैंडलिंग की गहरी लॉजिक से जुड़ा था, जहाँ प्योर मॉडल को ज़्यादा ट्रैवर्सल करना पड़ता है — जबकि सिमेंटिक रिट्रीवल एक ही चरण में मकसद तक पहुँचा देता है।
03 · सेटअप गाइड
1. Milvus / Zilliz कॉन्फ़िगरेशन तैयार करें
claude-context कोड का सिमेंटिक इंडेक्स स्टोर करने के लिए एक वेक्टर डेटाबेस का इस्तेमाल करता है। ये लोकल Milvus या Zilliz Cloud, दोनों सपोर्ट करता है।
~/.context/.env में अपने वेक्टर डेटाबेस का कनेक्शन डालो। Zilliz Cloud इस्तेमाल करने पर लोकल डिप्लॉयमेंट की मेहनत बच जाती है।
2. .kimi-code/mcp.json कॉन्फ़िगर करें
प्रोजेक्ट रूट में .kimi-code/mcp.json बनाओ और नीचे दी गई कॉन्फ़िगरेशन डालो:
{
"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. Kimi Code से इंडेक्स बनाओ
Kimi Code शुरू करते ही claude-context MCP अपने आप कोडबेस का सिमेंटिक इंडेक्स बना देगा। पहली बार इंडेक्सिंग में लगा समय कोडबेस के आकार पर निर्भर करता है, उसके बाद सभी क्वेरी सेकंडों में वापस आती हैं।
04 · निष्कर्ष
- Pure Kimi Code:छोटे फ़ंक्शन, सिंगल फ़ाइल, और ऐसे स्पष्ट टारगेट वाले मामलों के लिए — सीधे इस्तेमाल कर लो, किसी अतिरिक्त सेटअप की ज़रूरत नहीं।
- Kimi K3 + claude-context:बड़े रेपो, क्रॉस-मॉड्यूल लोकेशन, और ऐसे मामलों के लिए जहाँ सिमेंटिक संबंध समझने की ज़रूरत हो — जोड़ने के बाद असर मुँह बोलता है।
claude-context की सिमेंटिक रिट्रीवल क्षमता प्योर मॉडल की बड़े कोडबेस में "आँधी में बेतरतीब खोज" की कमी को पूरा करती है — token खपत और tool calls दोनों को उचित स्तर पर लाती है और साथ ही लोकेशन की सटीकता बढ़ाती है। एंटरप्राइज़-लेवल कोडबेस पर AI-असिस्टेड डेवलपमेंट के लिए ये एक ऐसा ऑप्टिमाइज़ेशन दिशा है जिसमें निवेश के लायक है।
स्रोत
- 📄 WeChat सार्वजनिक अकाउंट का मूल लेख:https://mp.weixin.qq.com/s/Av3Du22F0lTwBK-OVWgFCQ
- 💻 claude-context GitHub:https://github.com/zilliztech/claude-context