Kimi K3 + claude-context: sänk tokenanvändningen med 27% via semantisk kodhämtning

Huvudresultat

Kimi K3 + claude-context MCP, testat i praktiken:
Token-minskning 27,1 %, färre Tool Calls med 55 %, F1 upp från 0,844 till 0,946.

På 4 kodlokaliseringsuppgifter i en Django-kodbas jämförde vi ren Kimi K3 med Kimi K3 kopplad till claude-context MCP. Resultatet visar att tillägget av semantisk sökning tydligt höjde både effektiviteten och träffsäkerheten i kodhämtningsarbetet.

01 · Kimi K3 i praktiken

Vi valde en Django-kodbas och designade 4 kodlokaliseringsuppgifter för att testa Kimi K3:s rena modellförmåga att hitta kod. Varje uppgift krävde att modellen lokaliserade var en specifik funktion var implementerad i kodbasen.

Ren Kimi K3 — resultat:

Mått	Snitt
Token-förbrukning	125 147
Tool Calls	4,2
F1-score	0,844

Iakttagelse: den rena K3-modellen tenderar att snäva in resultatet genom att upprepade gånger läsa filer och söka, vilket ger hög token-förbrukning och många tool calls.

02 · Semantisk sökning som optimering

När claude-context MCP är kopplad kan Kimi K3 först använda semantisk sökning för att precist hitta relevanta kodavsnitt och sedan läsa målinriktat — vilket höjer effektiviteten avsevärt.

Mått	Pure Kimi K3	Kimi K3 + claude-context	Förändring
Snitt Token	125 147	91 174	↓ 27,1 %
Snitt Tool Calls	4,2	1,9	↓ 55 %
F1-score	0,844	0,946	↑ 12,1 %

Den största skillnaden dök upp på uppgiften datetime_year_bounds_timezone:

Största enskilda förbättringen:
Token från 143 684 ner till 59 375, en minskning med -58,7 %. Uppgiften rör djupgående logik för tidszonshantering i Django, där den rena modellen måste bläddra mycket medan semantisk sökning hittar rätt i ett enda steg.

03 · Kom-igång-guide

1. Konfigurera Milvus / Zilliz

claude-context använder en vektordatabas för att lagra kodens semantiska index. Både lokal Milvus och Zilliz Cloud stöds.

Konfigurera anslutningen till vektordatabasen i ~/.context/.env. Med Zilliz Cloud slipper du drifta lokalt.

2. Konfigurera .kimi-code/mcp.json

Skapa .kimi-code/mcp.json i projektets rot och skriv in följande konfiguration:

{
  "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. Starta Kimi Code och bygg index

När du startar Kimi Code bygger claude-context MCP automatiskt ett semantiskt index över kodbasen. Första indexeringen tar tid i proportion till kodbasens storlek; efterföljande frågor svarar på sekunder.

04 · Slutsats

Rekommendation:

Pure Kimi Code: för små funktioner, enskilda filer och uppgifter med tydligt mål — använd direkt, ingen extra konfiguration behövs.
Kimi K3 + claude-context: för stora kodbaser, lokaliseringsuppgifter över flera moduler och situationer där semantiska samband ska förstås — märkbar effekt när det väl är på plats.

claude-contexts semantiska sökning täcker den rena modellens svaghet med "blind sökning" i stora kodbaser, sänker token-förbrukning och antal verktygsanrop till rimliga nivåer och lyfter samtidigt lokaliseringsprecisjonen. För AI-assisterad utveckling på företagskodbaser är det här en optimering som är värd att investera i.

Källor

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