Kimi K3 + claude-context: verlaag tokenverbruik met 27% via semantisch zoeken in code

Kernresultaten

Kimi K3 + claude-context MCP, gemeten in de praktijk:
Token-verbruik omlaag met 27,1%, Tool Calls omlaag met 55%, F1 gestegen van 0,844 naar 0,946.

Op een Django-codebasis hebben we op 4 code-locatietaakjes puur Kimi K3 vergeleken met de prestaties nadat we de claude-context MCP hadden aangesloten. De resultaten laten zien dat de toegevoegde semantische zoekkracht de efficiëntie en nauwkeurigheid van het terugvinden van code aanzienlijk verbetert.

01 · Kimi K3 in de praktijk

We kozen een Django-codebasis en ontwierpen 4 code-locatietaakjes om het zuivere zoekvermogen van Kimi K3 te testen. Bij elke taak moet het model in de codebasis de plek vinden waar een specifieke functionaliteit is geïmplementeerd.

Prestaties van pure Kimi K3:

Metriek	Gemiddelde
Token-verbruik	125.147
Tool Calls	4,2
F1-score	0,844

Observatie: het pure K3-model neigt ernaar het zoekgebied in te perken door herhaaldelijk bestanden te lezen en zoekopdrachten uit te voeren, wat leidt tot een hoger token-verbruik en meer tool calls.

02 · Optimalisatie met semantisch zoeken

Na het aansluiten van de claude-context MCP kan Kimi K3 eerst via semantisch zoeken precies de relevante codefragmenten lokaliseren en deze vervolgens gericht uitlezen — wat de efficiëntie aanzienlijk verhoogt.

Metriek	Pure Kimi K3	Kimi K3 + claude-context	Verschil
Gemiddelde Token	125.147	91.174	↓ 27,1%
Gemiddelde Tool Calls	4,2	1,9	↓ 55%
F1-score	0,844	0,946	↑ 12,1%

Het grootste verschil trad op bij de taak datetime_year_bounds_timezone:

Grootste verbetering op één taak:
Token daalde van 143.684 naar 59.375, een daling van -58,7%. Deze taak betreft de diepere logica van Django's tijdzone-afhandeling, waar het pure model veel moet doorzoeken, terwijl semantisch zoeken het in één stap vindt.

03 · Installatiehandleiding

1. Milvus- / Zilliz-configuratie voorbereiden

claude-context gebruikt een vector database om de semantische index van de code op te slaan. Zowel lokale Milvus als Zilliz Cloud worden ondersteund.

Configureer de verbindingsgegevens van de vector database in ~/.context/.env. Met Zilliz Cloud hoef je niets lokaal te deployen.

2. .kimi-code/mcp.json configureren

Maak in de hoofdmap van je project .kimi-code/mcp.json aan en zet daarin de volgende configuratie:

{
  "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 starten en indexeren

Nadat je Kimi Code start, bouwt de claude-context MCP automatisch een semantische index van de codebasis. De tijd voor de eerste indexering hangt af van de grootte van de codebasis; volgende query's geven binnen enkele seconden resultaat.

04 · Conclusie

Aanbeveling bij de keuze:

Pure Kimi Code: bij kleine functies, losse bestanden en duidelijk afgebaken doelstellingen kun je het direct gebruiken, zonder extra configuratie.
Kimi K3 + claude-context: bij grote repo's, lokalisering over modules heen en situaties waar semantische verbanden begrepen moeten worden, levert aansluiten duidelijk winst op.

Het semantisch zoekvermogen van claude-context vult de zwakte van het pure model aan bij het "blind zoeken" in grote codebasissen: het brengt token-verbruik en tool calls terug naar een redelijk niveau én het verhoogt de lokaliseringsnauwkeurigheid. Voor AI-ondersteunde ontwikkeling op enterprise-codebasissen is dit een optimaliseringsrichting die de moeite van de investering waard is.

Bronnen

📄 Oorspronkelijk WeChat-artikel: https://mp.weixin.qq.com/s/Av3Du22F0lTwBK-OVWgFCQ
💻 claude-context GitHub: https://github.com/zilliztech/claude-context