Pangunahing Konklusyon
Bumaba ang Token ng 27.1%, bumaba ang Tool Calls ng 55%, at tumaas ang F1 mula 0.844 patungong 0.946.
Sa 4 na code-location na gawain sa isang Django codebase, inihambing namin ang dalawang setup: purong Kimi K3 laban sa Kimi K3 na may konektadong claude-context MCP. Nagpakita ang resulta na ang karagdagang semantic-retrieval na kakayahan ay malaki at tumpak na pinahusay ang daloy at katumpakan ng paghahanap ng code.
01 · Pagsubok sa Kimi K3
Gumamit kami ng Django codebase at nagdisenyo ng 4 na code-location na gawain upang masuri ang purong kakayahan ng Kimi K3 sa paghahanap. Kada gawain ay nangangailangan na matukoy ng modelo kung saan natutupad ang isang partikular na katangian sa loob ng codebase.
Pagganap ng purong Kimi K3:
| Metriko | Karaniwang Halaga |
|---|---|
| Konsumo ng Token | 125,147 |
| Tool Calls | 4.2 |
| F1 Score | 0.844 |
02 · Optimisasyon sa Pamamagitan ng Semantic Retrieval
Pagkatapos ikonekta ang claude-context MCP, maaari muna ng Kimi K3 na tumpak na matukoy ang mga kaugnay na snippet ng code sa pamamagitan ng semantic retrieval bago magnukloy ng target na pagbasa, na malaking pinahusay ang daloy.
| Metriko | Pure Kimi K3 | Kimi K3 + claude-context | Pagbabago |
|---|---|---|---|
| Karaniwang Token | 125,147 | 91,174 | ↓ 27.1% |
| Karaniwang Tool Calls | 4.2 | 1.9 | ↓ 55% |
| F1 Score | 0.844 | 0.946 | ↑ 12.1% |
Ang pinakamalaking pagkakaiba lumitaw sa gawaing datetime_year_bounds_timezone:
Bumaba ang Token mula 143,684 patungong 59,375, isang bawas na -58.7%. Sakop ng gawaing ito ang malalim na lohika ng timezone handling sa Django; kailangan ng purong modelong mag-traverse nang malaki, samantalang kayang tumama nang direkta ang semantic retrieval sa isang hakbang.
03 · Gabay sa Pag-setup
1. Ihanda ang config ng Milvus / Zilliz
Gumagamit ang claude-context ng isang vector database upang i-store ang semantic index ng code. Sinusuportahan nito ang lokal na Milvus o Zilliz Cloud.
~/.context/.env. Kapag gumamit ng Zilliz Cloud, maiiwasan mo ang lokal na deployment.
2. I-configure ang .kimi-code/mcp.json
Likhaing ang .kimi-code/mcp.json sa root directory ng proyekto at ilagay ang sumusunod na config:
{
"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. Ilunsad ang Kimi Code upang mag-build ng index
Pagkatapos ilunsad ang Kimi Code, awtomatikong bubuo ang claude-context MCP ng semantic index para sa codebase. Ang oras ng unang indexing ay nakadepende sa laki ng codebase; ang mga susunod na query ay babalik sa loob ng segundo.
04 · Konklusyon
- Pure Kimi Code: Para sa maliliit na function, single-file, o mga senaryo na malinaw ang target — gamitin lang nang direkta, walang kailangang karagdagang config.
- Kimi K3 + claude-context: Para sa malalaking repo, cross-module na pagtuturo, o mga senaryong nangangailangan ng pag-unawa sa semantic na kaugnayan — kapansin-pansin ang epekto pagkatapos ikonekta.
Punan ng claude-context semantic retrieval ang kahinaan ng purong modelo sa "bulag na paghahanap" sa loob ng malalaking codebase, at dinadala ang konsumo ng token at tool calls sa isang katamtamang antas habang pinapataas ang katumpakan ng pagtuturo. Para sa mga scenario ng AI-assisted development sa enterprise-grade na codebase, ito ay isang direksyon ng optimisasyon na sulit na investment.
Mga Pinagmulan
- 📄 Orihinal na artikulo sa WeChat public account: https://mp.weixin.qq.com/s/Av3Du22F0lTwBK-OVWgFCQ
- 💻 claude-context GitHub: https://github.com/zilliztech/claude-context