Kimi K3 + claude-context: Reduser tokenforbruket med 27 % med semantisk kodehenting

Hovedkonklusjon

Kimi K3 + claude-context MCP, målte resultater:
Token-forbruk redusert med 27,1 %, verktøykall redusert med 55 %, F1 økte fra 0,844 til 0,946.

På 4 oppgaver for kodelokalisering i en Django-kodebase sammenlignet vi ren Kimi K3 med Kimi K3 koblet sammen med claude-context MCP. Resultatene viser at tillegget av semantisk søk tydelig forbedrer både effektivitet og nøyaktighet ved kodesøk.

01 · Kimi K3 i praksis

Vi valgte en Django-kodebase og designet 4 oppgaver for kodelokalisering for å teste Kimi K3 sine rene modell-søkeegenskaper. Hver oppgave krever at modellen lokaliserer hvor en spesifikk funksjonalitet er implementert i kodebasen.

Ren Kimi K3:

Mål	Gjennomsnitt
Token-forbruk	125,147
Verktøykall (Tool Calls)	4.2
F1-score	0.844

Observert: Den rene K3-modellen tenderer mot å snevre inn området ved gjentatt å lese filer og søke, noe som fører til høyt token-forbruk og mange verktøykall.

02 · Optimalisering med semantisk søk

Etter å ha koblet på claude-context MCP kan Kimi K3 først bruke semantisk søk for å presist lokalisere relevante kodebiter, og deretter lese målrettet. Det hever effektiviteten kraftig.

Mål	Pure Kimi K3	Kimi K3 + claude-context	Endring
Gjennomsnittlig Token	125,147	91,174	↓ 27.1%
Gjennomsnittlige verktøykall	4.2	1.9	↓ 55%
F1-score	0.844	0.946	↑ 12.1%

Den største forskjellen dukket opp på oppgaven datetime_year_bounds_timezone:

Største enkeltforbedring:
Token falt fra 143 684 til 59 375, en reduksjon på −58,7 %. Denne oppgaven involverer dyp logikk for tidssonehåndtering i Django, hvor den rene modellen må gjennomsøke mye kode, mens semantisk søk treffer blink på første forsøk.

03 · Veiledning for oppsett

1. Klargjør Milvus / Zilliz-konfigurasjon

claude-context bruker en vektordatabase for å lagre semantisk indeks over koden. Den støtter lokal Milvus eller Zilliz Cloud.

Konfigurer tilkoblingsinformasjonen for vektordatabasen i ~/.context/.env. Med Zilliz Cloud unngår du lokal utrulling.

2. Konfigurer .kimi-code/mcp.json

Opprett .kimi-code/mcp.json i prosjektroten, og skriv inn følgende konfigurasjon:

{
  "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. Start Kimi Code og bygg indeks

Når du starter Kimi Code, vil claude-context MCP automatisk bygge en semantisk indeks over kodebasen. Første indeksering tar tid avhengig av kodebasens størrelse; etterfølgende spørringer returnerer i løpet av sekunder.

04 · Konklusjon

Anbefaling for valg:

Pure Kimi Code: Små funksjoner, enkeltfiler og oppgaver med tydelig mål – bruk direkte, uten ekstra oppsett.
Kimi K3 + claude-context: Store kodebaser, lokalisering på tvers av moduler, og situasjoner hvor semantiske sammenhenger må forstås – effekten er tydelig etter oppsett.

claude-context sine semantiske søkeegenskaper fyller gapet som ren modell etterlater seg når den «søker blindt» i store kodebaser, og bringer token-forbruk og verktøykall ned på et fornuftig nivå, samtidig som lokaliseringen blir mer presis. For AI-støttet utvikling i enterprise-kodebaser er dette en optimaliseringsretning som er verdt å investere i.

Kilder

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