Kimi K3 + claude-context: ลดการใช้ Token ลง 27% ด้วย Semantic Code Retrieval

บทสรุปสำคัญ

ผลทดสอบจริง Kimi K3 + claude-context MCP:
Token ลดลง 27.1% Tool Calls ลดลง 55% และ F1 พุ่งจาก 0.844 ขึ้นเป็น 0.946

บน codebase ของ Django กับงาน code location 4 งาน เราเปรียบเทียบระหว่าง Kimi K3 ล้วนกับการเสียบ claude-context MCP เข้าไป ผลปรากฏว่าการเสริมด้วยความสามารถ semantic search ช่วยยกประสิทธิภาพและความแม่นยำของการค้นหาโค้ดขึ้นอย่างชัดเจน

01 · ทดสอบ Kimi K3 จริง

เราเลือก codebase ของ Django และออกแบบงาน code location 4 งานเพื่อทดสอบความสามารถ retrieval ของ Kimi K3 ล้วน ๆ แต่ละงานให้โมเดลไปหาตำแหน่งที่ implement ฟังก์ชันการณ์เฉพาะใน codebase

ผลของ Kimi K3 ล้วน:

ตัวชี้วัด	ค่าเฉลี่ย
การใช้ Token	125,147
Tool Calls	4.2
F1 Score	0.844

ข้อสังเกต: โมเดล K3 ล้วน ๆ มักจะปิดบังขอบเขตด้วยการอ่านไฟล์และค้นหาซ้ำ ๆ จนทำให้การใช้ token สูงและมี tool calls มาก

02 · เพิ่ม semantic search เพื่อ optimize

หลังเสียบ claude-context MCP เข้าไป Kimi K3 สามารถใช้ semantic search ระบุจุดที่เกี่ยวข้องได้แม่นยำก่อน แล้วค่อยอ่านเฉพาะส่วน ทำให้ประสิทธิภาพดีขึ้นอย่างมาก

ตัวชี้วัด	Pure Kimi K3	Kimi K3 + claude-context	การเปลี่ยนแปลง
Token เฉลี่ย	125,147	91,174	↓ 27.1%
Tool Calls เฉลี่ย	4.2	1.9	↓ 55%
F1 Score	0.844	0.946	↑ 12.1%

ช่องว่างที่ห่างที่สุดอยู่ในงาน datetime_year_bounds_timezone:

การปรับปรุงต่องานที่ดีที่สุด:
Token ลดจาก 143,684 เหลือ 59,375 ลดลง -58.7% งานนี้เกี่ยวข้องกับตรรกะลึกเรื่องการจัดการ timezone ของ Django ซึ่งโมเดลล้วน ๆ ต้องไล่อ่านจำนวนมาก แต่ semantic search เข้าถึงจุดได้ในหนึ่งก้าว

03 · คู่มือเชื่อมต่อ

1. เตรียมการตั้งค่า Milvus / Zilliz

claude-context ใช้ vector database ในเก็บ semantic index ของโค้ด รองรับทั้ง Milvus บนเครื่องและ Zilliz Cloud

ตั้งค่าข้อมูลการเชื่อมต่อ vector database ใน ~/.context/.env ถ้าใช้ Zilliz Cloud จะไม่ต้อง deploy บนเครื่องเอง

2. ตั้งค่า .kimi-code/mcp.json

สร้างไฟล์ .kimi-code/mcp.json ที่ root ของโปรเจกต์ แล้วใส่ config ต่อไปนี้:

{
  "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. เปิด Kimi Code เพื่อสร้าง index

หลังเปิด Kimi Code claude-context MCP จะสร้าง semantic index ของ codebase ให้อัตโนมัติ เวลา index ครั้งแรกขึ้นอยู่กับขนาด codebase ส่วน query ต่อ ๆ ไปจะคืนผลในระดับวินาที

04 · บทสรุป

คำแนะนำในการเลือก:

Pure Kimi Code: สำหรับฟังก์ชันเล็ก ไฟล์เดียว หรืองานที่เป้าหมายชัด เรียกใช้ได้เลยไม่ต้องตั้งค่าเพิ่ม
Kimi K3 + claude-context: สำหรับ repo ใหญ่ การหาตำแหน่งข้ามโมดูล หรืองานที่ต้องเข้าใจความสัมพันธ์เชิงความหมาย หลังเสียบแล้วผลดีขึ้นอย่างชัดเจน

ความสามารถ semantic search ของ claude-context ชดเชยจุดอ่อนของโมเดลล้วน ๆ ที่ต้อง “ค้นหาตาบอด” ใน codebase ขนาดใหญ่ ลดการใช้ token และ tool calls ลงสู่ระดับสมเหตุสมผล และยังเพิ่มความแม่นยำในการระบุตำแหน่งอีกด้วย สำหรับงานพัฒนาโดย AI บน codebase ระดับองค์กร นี่เป็นทิศทางการ optimize ที่คุ้มลงทุน

แหล่งข้อมูล

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