Kimi K3 + claude-context: Pangkas Penggunaan Token 27% dengan Pengambilan Kod Semantik

Kesimpulan Teras

Hasil ujian sebenar Kimi K3 + claude-context MCP:
Token turun 27,1%, Tool Calls turun 55%, F1 naik dari 0,844 ke 0,946.

Pada 4 tugas penyetempatan kod dalam pangkalan kod Django, kami membandingkan prestasi Kimi K3 tulen dengan Kimi K3 selepas dipasang claude-context MCP. Hasilnya menunjukkan bahawa sokongan keupayaan carian semantik ketara meningkatkan kecekapan dan ketepatan carian kod.

01 · Ujian Kimi K3

Kami memilih pangkalan kod Django dan merekabentuk 4 tugas penyetempatan kod untuk menguji keupayaan carian tulen model Kimi K3. Setiap tugas memerlukan model mencari lokasi pelaksanaan sesuatu fungsi dalam pangkalan kod.

Prestasi Kimi K3 tulen:

Metrik	Purata
Penggunaan Token	125.147
Tool Calls	4,2
F1 Score	0,844

Pemerhatian: model K3 tulen cenderung menyempitkan skop dengan membaca fail dan membuat carian secara berulang, menyebabkan penggunaan token lebih tinggi dan tool calls lebih banyak.

02 · Pengoptimuman dengan Carian Semantik

Selepas memasang claude-context MCP, Kimi K3 boleh dahulu mencari cebisan kod yang berkaitan secara tepat menerusi carian semantik, kemudian melakukan pembacaan secara terarah — maka kecekapan meningkat dengan mendadak.

Metrik	Pure Kimi K3	Kimi K3 + claude-context	Perubahan
Purata Token	125.147	91.174	↓ 27,1%
Purata Tool Calls	4,2	1,9	↓ 55%
F1 Score	0,844	0,946	↑ 12,1%

Perbezaan terbesar muncul pada tugas datetime_year_bounds_timezone:

Penambahbaikan tunggal terbesar:
Token turun dari 143.684 ke 59.375, penurunan -58,7%. Tugas ini melibatkan logik mendalam pengendalian zon waktu Django; model tulen perlu banyak pengembaraan, manakala carian semantik boleh terus kena sasaran dalam satu langkah.

03 · Panduan Pemasangan

1. Sediakan konfigurasi Milvus / Zilliz

claude-context menggunakan pangkalan data vektor untuk menyimpan indeks semantik kod. Menyokong Milvus tempatan mahupun Zilliz Cloud.

Konfigurasikan maklumat sambungan pangkalan data vektor dalam ~/.context/.env. Menggunakan Zilliz Cloud membolehkan Anda melangkau pelaksanaan tempatan.

2. Konfigurasi .kimi-code/mcp.json

Buat fail .kimi-code/mcp.json di root projek, kemudian tulis konfigurasi berikut:

{
  "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. Jalankan Kimi Code untuk membina indeks

Selepas Kimi Code dijalankan, claude-context MCP akan secara automatik membina indeks semantik untuk pangkalan kod Anda. Masa pengindeksan pertama bergantung pada saiz pangkalan kod, manakala pertanyaan berikutnya kembali dalam beberapa saat.

04 · Kesimpulan

Cadangan pemilihan:

Pure Kimi Code: untuk senario berupa fungsi kecil, satu fail, atau sasaran yang sudah jelas — boleh digunakan terus, tanpa konfigurasi tambahan.
Kimi K3 + claude-context: untuk pangkalan kod besar, penyetempatan lintas modul, atau senario yang menuntut pemahaman hubungan semantik — kesannya ketara selepas dipasang.

Keupayaan carian semantik claude-context menampung kelemahan model tulen yang cenderung "mencari secara buta" dalam pangkalan kod besar, menurunkan penggunaan token dan tool calls ke tahap yang berpatutan, sambil meningkatkan ketepatan penyetempatan. Untuk senario pembangunan dibantu AI pada pangkalan kod peringkat perusahaan, ini ialah arah pengoptimuman yang berbaloi dilaburkan.

Sumber

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