Kimi K3 + claude-context: reduza o consumo de tokens em 27% com busca semântica de código

Autora: Shuhong Wang (Zilliz)

Resultados principais

Combinamos o Kimi K3 com o MCP claude-context e medimos a performance de busca em grandes bases de código. Os principais indicadores:

• Consumo de tokens: 125.147 → 91.174 tokens (-27,1% de economia)
• Chamadas de ferramenta: 4,2 → 1,9 chamadas (-55% de redução)
• Pontuação F1: 0,844 → 0,946 (+12,1% de melhora)

Benchmark: Kimi K3 na base de código Django

Testamos o Kimi K3 contra a base de código do Django com quatro tarefas, para estabelecer uma linha de base de desempenho:

• year_bounds_between – cálculo de intervalos de anos
• iso_year_lookup – lógica de consulta de ano ISO
• select_for_update – consultas de bloqueio no banco de dados
• datetime_year_bounds_timezone – intervalos de anos com tratamento de fuso horário

Desempenho médio do Kimi K3 puro:

Em bases de código grandes, o Kimi K3 consome uma quantidade considerável de tokens percorrendo diretórios atrás de arquivos relevantes. A varredura sequencial por vários níveis de diretórios é especialmente ineficiente.

Otimização com o MCP claude-context

Ao adicionar o MCP claude-context, habilitamos a busca semântica de código. A solução usa um banco de dados vetorial Milvus/Zilliz para indexar a base de código e permitir a busca de trechos relevantes por similaridade semântica.

Variáveis de controle

Comparação dos resultados

Guia de configuração (3 etapas)

Etapa 1: configuração do Milvus/Zilliz

Crie um arquivo .env com as credenciais do banco de dados vetorial:

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

Etapa 2: criar o arquivo de configuração MCP

Crie o arquivo .kimi-code/mcp.json na raiz do projeto:

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

Etapa 3: indexar o código com o Kimi CLI

Execute o comando do Kimi CLI para indexar a base de código no banco de dados vetorial:

# Iniciar a indexação do código
kimi index --path ./your-project

# Verificar o status da indexação
kimi index status

Conclusão

Projetos pequenos, centrados em funções: o Kimi Code puro é suficiente. O overhead do claude-context seria desnecessário aqui.

Repositórios grandes: vale a pena adotar o claude-context — principalmente quando é preciso rastrear código espalhado por vários módulos.

Fontes

• Repositório GitHub do claude-context
• Blog da Zilliz – artigo original
• Documentação do Zilliz Cloud

Verificado em: 2026-07-22