Kimi K3 + claude-context: 27% mniej tokenów dzięki semantycznemu wyszukiwaniu kodu

Główne wnioski

Zmierzony efekt Kimi K3 + claude-context MCP:
Tokeny spadły o 27,1%, liczba wywołań narzędzi (Tool Calli) o 55%, a F1 wzrósł z 0,844 do 0,946.

Na czterech zadaniach lokalizacji kodu w repozytorium Django porównaliśmy czystego Kimi K3 z wersją wzbogaconą o claude-context MCP. Wyniki pokazują, że wsparcie wyszukiwaniem semantycznym wyraźnie podnosi efektywność i dokładność odnajdywania kodu.

01 · Test Kimi K3

Wybraliśmy repozytorium Django i zaprojektowaliśmy 4 zadania lokalizacji kodu, aby sprawdzić czystą zdolność modelu Kimi K3 do wyszukiwania. W każdym zadaniu model musiał odnaleźć w kodzie miejsce implementacji konkretnej funkcjonalności.

Wynik czystego Kimi K3:

Metryka	Średnia
Zużycie tokenów	125 147
Liczba Tool Calli	4,2
F1 Score	0,844

Obserwacja: czysty model K3 ma tendencję do zawężania zakresu poprzez wielokrotne czytanie plików i przeszukiwanie, co skutkuje wyższym zużyciem tokenów i większą liczbą wywołań narzędzi.

02 · Optymalizacja o wyszukiwanie semantyczne

Po podłączeniu claude-context MCP model Kimi K3 może najpierw precyzyjnie namierzyć odpowiednie fragmenty kodu przez wyszukiwanie semantyczne, a dopiero potem dobrać się do nich w sposób ukierunkowany — co drastycznie podnosi efektywność.

Metryka	Czysty Kimi K3	Kimi K3 + claude-context	Zmiana
Średnio tokenów	125 147	91 174	↓ 27,1%
Średnio Tool Calli	4,2	1,9	↓ 55%
F1 Score	0,844	0,946	↑ 12,1%

Największa różnica pojawiła się w zadaniu datetime_year_bounds_timezone:

Największa poprawa w pojedynczym zadaniu:
Tokeny spadły z 143 684 do 59 375, czyli o -58,7%. Zadanie dotyczy głębokiej logiki obsługi stref czasowych w Django — czysty model musiał przejrzeć wiele plików, natomiast wyszukiwanie semantyczne trafia do celu za jednym razem.

03 · Instrukcja podłączenia

1. Przygotowanie konfiguracji Milvus / Zilliz

claude-context używa wektorowej bazy danych do przechowywania semantycznego indeksu kodu. Obsługuje lokalnego Milvusa lub Zilliz Cloud.

W pliku ~/.context/.env skonfiguruj dane połączenia do wektorowej bazy. Użycie Zilliz Cloud pozwala ominąć lokalne wdrożenie.

2. Konfiguracja .kimi-code/mcp.json

W katalogu głównym projektu utwórz plik .kimi-code/mcp.json o następującej treści:

{
  "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. Uruchomienie Kimi Code i zbudowanie indeksu

Po uruchomieniu Kimi Code claude-context MCP automatycznie zbuduje semantyczny indeks repozytorium. Czas pierwszego indeksowania zależy od wielkości repozytorium; kolejne zapytania wracają w sekundę.

04 · Wnioski

Rekomendacja wyboru:

Czysty Kimi Code: małe funkcje, pojedyncze pliki, dobrze zdefiniowany cel — używaj bezpośrednio, bez dodatkowej konfiguracji.
Kimi K3 + claude-context: duże repozytoria, lokalizowanie między modułami, scenariusze wymagające rozumienia powiązań semantycznych — po podłączeniu różnica jest wyraźna.

Możliwość wyszukiwania semantycznego w claude-context pokrywa słabość czystego modelu polegającą na „ślepym przeszukiwaniu" dużych repozytoriów, sprowadza zużycie tokenów i liczbę wywołań narzędzi do rozsądnych poziomów, a jednocześnie podnosi dokładność lokalizacji. W scenariuszach wspieranego przez AI rozwoju oprogramowania na korporacyjnych repozytoriach to kierunek optymalizacji, w który warto zainwestować.

Źródła

📄 Oryginał na WeChat: https://mp.weixin.qq.com/s/Av3Du22F0lTwBK-OVWgFCQ
💻 Repozytorium claude-context na GitHubie: https://github.com/zilliztech/claude-context