Kimi K3 + claude-context: Semantik Kod Getirmeyle Token Kullanımını %27 Düşürün

Çekirdek sonuç

Kimi K3 + claude-context MCP ölçümlenen etkisi:
Token tüketimi %27.1 düştü, Tool Calls %55 azaldı, F1 skoru 0.844'ten 0.946'ya yükseldi.

Django kod tabanındaki 4 kod konumlama görevinde, saf Kimi K3 ile claude-context MCP eklendikten sonraki performansı karşılaştırdık. Sonuçlar gösteriyor ki, anlamsal arama (semantic retrieval) yeteneğinin eklenmesi kod bulma verimliliğini ve doğruluğunu belirgin biçimde artırıyor.

01 · Kimi K3 ölçümleri

Django kod tabanını seçtik ve Kimi K3'ün saf model arama yeteneğini ölçmek için 4 kod konumlama görevi tasarladık. Her görevde modelin, kod tabanında belirli bir işlevin uygulamasının bulunduğu yeri bulması gerekiyordu.

Saf Kimi K3 performansı:

Metrik	Ortalama
Token tüketimi	125,147
Tool Calls	4.2
F1 Score	0.844

Gözlem:Saf K3 modeli, kapsamı daraltmak için dosyaları tekrar tekrar okuma ve arama yapma eğiliminde; bu da daha yüksek token tüketimine ve daha fazla tool call sayısına yol açıyor.

02 · Anlamsal arama optimizasyonu

claude-context MCP eklendikten sonra Kimi K3, önce anlamsal arama ile ilgili kod parçalarını kesin olarak konumlayıp ardından hedefe yönelik okuma yapabiliyor; bu da verimliliği büyük ölçüde artırıyor.

Metrik	Saf Kimi K3	Kimi K3 + claude-context	Değişim
Ortalama Token	125,147	91,174	↓ %27.1
Ortalama Tool Calls	4.2	1.9	↓ %55
F1 Score	0.844	0.946	↑ %12.1

En büyük fark datetime_year_bounds_timezone görevinde ortaya çıktı:

En büyük tekil iyileşme:
Token 143,684'ten 59,375'e düştü; azalma -%58.7. Bu görev Django'nun saat dilimi işleme derin mantığıyla ilgili; saf modelin bolca dolaşması gerekirken anlamsal arama tek adımda doğru yere götürüyor.

03 · Kurulum rehberi

1. Milvus / Zilliz yapılandırmasını hazırlayın

claude-context, kodun anlamsal dizinini saklamak için bir vektör veritabanı kullanır. Yerel Milvus veya Zilliz Cloud desteklenir.

~/.context/.env dosyasında vektör veritabanı bağlantı bilgilerini yapılandırın. Zilliz Cloud kullanırsanız yerel kurulum derdinden kurtulursunuz.

2. .kimi-code/mcp.json dosyasını yapılandırın

Proje kök dizininde .kimi-code/mcp.json dosyasını oluşturun ve aşağıdaki yapılandırmayı yazın:

{
  "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. Kimi Code'u başlatıp dizini oluşturun

Kimi Code'u başlattığınızda claude-context MCP, kod tabanı için anlamsal dizini otomatik olarak oluşturur. İlk dizinleme süresi kod tabanının büyüklüğüne bağlıdır; sonraki sorgular saniyeler içinde döner.

04 · Sonuç

Seçim önerisi:

Saf Kimi Code: Küçük fonksiyonlar, tek dosya, hedefin net olduğu senaryolar — doğrudan kullanın, ek yapılandırma gerekmez.
Kimi K3 + claude-context: Büyük depolar, modüller arası konumlama, anlamsal ilişkileri anlama gerektiren senaryolar — bağlanınca etkisi belirgin.

claude-context'in anlamsal arama yeteneği, saf modelin büyük kod tabanlarında "görerek arama" yapmasının eksikliğini kapatıyor; token tüketimini ve araç çağrılarını makul seviyelere indirirken konumlama doğruluğunu da yükseltiyor. Kurumsal ölçekteki kod tabanlarında AI destekli geliştirme için yatırım yapmaya değer bir optimizasyon yönü.

Kaynaklar

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