Kimi K3 + claude-context MCP: test reale di ottimizzazione del recupero codice
Risultati chiave
Token ridotti del 27,1%, Tool Calls ridotte del 55%, F1 da 0,844 a 0,946.
Su 4 attività di localizzazione codice in una base Django, abbiamo confrontato Kimi K3 da solo con Kimi K3 integrato con claude-context MCP. Il risultato: l'aggiunta del recupero semantico migliora in modo netto sia l'efficienza del recupero codice sia la sua accuratezza.
01 · Test di Kimi K3
Abbiamo preso una base di codice Django e progettato 4 attività di localizzazione codice per mettere alla prova la capacità di recupero del solo modello Kimi K3. In ciascuna attività il modello doveva individuare, all'interno della base di codice, il punto in cui è implementata una determinata funzionalità.
Prestazioni del solo Kimi K3:
| Metrica | Valore medio |
|---|---|
| Consumo di Token | 125.147 |
| Tool Calls | 4,2 |
| F1 Score | 0,844 |
02 · Ottimizzazione con recupero semantico
Dopo l'integrazione della MCP claude-context, Kimi K3 può prima localizzare con precisione i frammenti di codice rilevanti tramite recupero semantico e poi leggerli in modo mirato, con un netto miglioramento dell'efficienza.
| Metrica | Solo Kimi K3 | Kimi K3 + claude-context | Variazione |
|---|---|---|---|
| Token medi | 125.147 | 91.174 | ↓ 27,1% |
| Tool Call medie | 4,2 | 1,9 | ↓ 55% |
| F1 Score | 0,844 | 0,946 | ↑ 12,1% |
Lo scarto più ampio si rileva sull'attività datetime_year_bounds_timezone:
Token da 143.684 a 59.375, con una riduzione del -58,7%. L'attività riguarda la logica profonda di gestione dei fusi orari in Django: il modello da solo deve attraversare grandi quantità di codice, mentre il recupero semantico arriva direttamente al punto.
03 · Guida all'integrazione
1Preparare la configurazione Milvus / Zilliz
claude-context utilizza un database vettoriale per memorizzare l'indice semantico del codice. Supporta Milvus in locale oppure Zilliz Cloud.
~/.context/.env. Con Zilliz Cloud si evita il deploy locale.
2Configurare .kimi-code/mcp.json
Creare .kimi-code/mcp.json nella root del progetto con la seguente configurazione:
{
"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
}
}
}3Avviare Kimi Code e costruire l'indice
Dopo l'avvio di Kimi Code, la MCP claude-context indicizza automaticamente la base di codice. Il tempo di indicizzazione iniziale dipende dalle dimensioni del repository; le query successive tornano in pochi secondi.
04 · Conclusioni
- Solo Kimi Code: per funzioni piccole, file singoli e obiettivi ben definiti — si usa direttamente, senza configurazione aggiuntiva.
- Kimi K3 + claude-context: per repository grandi, localizzazione tra moduli e scenari in cui serve cogliere relazioni semantiche — dopo l'integrazione il miglioramento è netto.
La capacità di recupero semantico di claude-context colma la lacuna del modello usato da solo, che in basi di codice grandi finisce per "cercare alla cieca", riportando consumo di token e chiamate agli strumenti a livelli ragionevoli e aumentando al contempo l'accuratezza della localizzazione. Per gli scenari di sviluppo assistito da AI su basi di codice enterprise, si tratta di una direzione di ottimizzazione su cui vale la pena investire.
Fonti
- 📄 Articolo originale su WeChat: https://mp.weixin.qq.com/s/Av3Du22F0lTwBK-OVWgFCQ
- 💻 GitHub di claude-context: https://github.com/zilliztech/claude-context
✓ Contenuto dell'articolo verificato · 2026-07-22