Kimi K3 실측: 시맨틱 검색 추가로 토큰 소비 27% 절감

글쓴이: 王舒虹 (Zilliz)

핵심 결과

Kimi K3에 claude-context MCP를 결합하여 대규모 코드베이스에서의 검색 성능을 실측했습니다. 핵심 지표는 다음과 같습니다:

• 토큰 소비: 125,147 → 91,174 토큰 (-27.1% 절감)
• 도구 호출 횟수: 4.2회 → 1.9회 (-55% 감소)
• F1 점수: 0.844 → 0.946 (+12.1% 향상)

벤치마크: Django 코드베이스에서의 Kimi K3 테스트

Django 코드베이스를 대상으로 4가지 과제를 수행하며 Kimi K3의 기본 성능을 측정했습니다:

• year_bounds_between – 연도 범위 계산 함수
• iso_year_lookup – ISO 연도 조회 로직
• select_for_update – 데이터베이스 잠금 쿼리
• datetime_year_bounds_timezone – 타임존 포함 연도 범위 처리

순수 Kimi K3의 평균 성능:

대규모 코드베이스에서 Kimi K3가 파일을 탐색하는 과정에서 상당한 토큰을 소비하는 것을 확인했습니다. 특히 여러 디렉토리를 순회하며 관련 파일을 찾는 과정이 비효율적이었습니다.

claude-context MCP를 활용한 최적화

claude-context MCP를 추가하여 시맨틱 코드 검색 기능을 부여했습니다. 이는 Milvus/Zilliz 벡터 데이터베이스를 활용하여 코드베이스를 인덱싱하고, 관련 코드 조각을 의미적으로 검색할 수 있게 합니다.

통제 변수

결과 비교

설정 가이드 (3단계)

1단계: Milvus/Zilliz 환경 설정

.env 파일에 벡터 데이터베이스 접속 정보를 설정합니다:

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

2단계: MCP 설정 파일 생성

.kimi-code/mcp.json 파일을 프로젝트 루트에 생성합니다:

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

3단계: Kimi CLI로 코드 인덱싱

Kimi CLI를 실행하여 코드베이스를 벡터 데이터베이스에 인덱싱합니다:

# 코드 인덱싱 실행
kimi index --path ./your-project

# 인덱싱 상태 확인
kimi index status

결론

소규모 함수 중심 프로젝트: 순수 Kimi Code만으로 충분합니다. claude-context의 오버헤드가 오히려 불필요할 수 있습니다.

대규모 레포지토리: claude-context를 시도해볼 가치가 충분합니다. 특히 여러 모듈에 걸쳐 분산된 코드를 추적해야 할 때 효과적입니다.

참고 자료

• claude-context GitHub 저장소
• Zilliz 공식 블로그 – 원문 기사
• Zilliz Cloud 문서

검증 완료: 2026-07-22