Kimi K3 最近真的很火。

2.8T 参数参数规模、1M上下文、coding 能力，几个优势叠在一起，几乎毫不犹豫，我们就把它接入了现有开发工作流里。

强是真的强，贵也是真的贵。

在X上，Arena.ai 发文说 Kimi-K3 在 Frontend Code Arena 以 1679 分排名第 1，超过 Claude Fable 5，前端代码能力堪称惊艳。

但在Reddit 上，也有人反馈 Kimi 的 $99 Allegro plan 只跑了 4 个 session 就打满周额度。

当然，kimi本身的性价比还是在的，只是如今现如今长程agent越来越多，一个任务执行下来，上下文窗口被刷爆好几回也是常态。

要想把token成本压下来，还需要在harness、提示词、工具策略方面，进一步优化。

本文将重点分享，如何在coding场景的上下文检索层面，对Kimi K3 做进一步优化。

实验所需工具： Kimi K3 与 claude-context 。

Kimi K3 实测，真实大型代码库定位又快又准

我一开始只是想看看，Kimi K3 在一个真实的大型代码库里，能不能快速找到和问题最相关的代码。

测试用的是 Django 仓库。我选了 django/db 目录里的 4 个代码定位任务，分别涉及：

• year_bounds_between
• iso_year_lookup
• select_for_update
• datetime_year_bounds_timezone

我没有让 Kimi K3 修改代码或运行测试（相关测试已经很多了，K3的能力毋容置疑），而是要求它根据问题，返回最相关的源文件路径。

第一轮测试只使用 Kimi K3。在这一模式下，Kimi Code 只能通过本地的 Glob、Grep 和 Read 来搜索和阅读代码。

实际效果不错。4 个任务中，Kimi Code 基本都能找到正确的核心文件，平均定位 F1 达到 0.844。从使用体验来看，Kimi K3 的代码理解没问题，核心文件基本能定位到。

但看完 session usage 后，我发现了一个不太理想的地方：token 消耗比预期高。纯Kimi K3 完成一次代码定位任务，平均需要 125,147 token，平均 tool calls 在4.2次。

token 统计来自 Kimi Code session 里的 usage 记录，口径是：total_tokens = inputOther + inputCacheRead + inputCacheCreation + output

在这个过程中，问题不在于 Kimi K3 找不到代码，而在于它需要把不少候选内容送进模型：先根据问题提取关键词，用 Grep 找可能相关的文件，再用 Read 打开候选片段，最后比较哪些文件最相关。

这套方式像人工在仓库里逐层翻文件。只要问题不能直接对应某个类名或函数名，搜索轮数和上下文就会迅速增加。

我给 Kimi Code 加了一层语义检索

既然问题不在 Kimi K3 的代码理解能力，而在搜索路径太长，我没有换模型，而是给 Kimi Code 加了一层语义检索。

在对照组里，我接入了 claude-context MCP。任务开始后，Kimi Code 会优先用 claude-context 检索代码库；如果结果还不够明确，再用本地 Grep 或 Read 做确认。

其他条件全部保持不变：

• 模型仍然是 kimi-code/k3
• 使用同一个 Django commit
• 测试范围仍然是 django/db
• 任务内容完全相同

4 个任务，两组各重复 3 次，一共 24 次运行。

结果是，Kimi Code 的定位质量不但没有下降，token 和工具调用次数还明显减少了。

指标	Pure Kimi K3	Kimi K3 + claude-context	变化
平均 token	125,147	91,174	-27.1%
平均 tool calls	4.2	1.9	-55.0%
平均定位 F1	0.844	0.946	提升

整体对比图如下：

Kimi K3 + claude-context：整体 token 与 tool calls 对比

平均看下来，接入 claude-context 后，token 从 125,147 降到 91,174，少了 27.1%；tool calls 从 4.2 次降到 1.9 次，少了 55.0%。定位质量没有下降，平均 F1 反而从 0.844 提升到 0.946。

为什么会省？ 原因在于：纯 Kimi K3 更像是在仓库里一层层翻文件：先搜关键词，再读候选片段，再判断哪几个文件相关。claude-context 先把代码库做成语义索引，Kimi Code 检索时拿到的就是更靠近问题的代码片段，无关上下文少进模型，token 自然就下来了。

差距最大的任务，最能说明问题

4 个任务中，datetime_year_bounds_timezone 的变化最明显。这个任务里，Pure Kimi K3 平均 143,684 tokens、4.7 次工具调用；接入 claude-context 后，平均 59,375 tokens、1 次工具调用，token 少了 58.7%。

这个任务问的是“带时区处理的 datetime year bounds helper”，不是一个简单类名。纯 Kimi K3 会沿着 year、datetime、timezone、bounds 几个关键词来回 Grep 和 Read；claude-context 的第一次检索就命中了 django/db/backends/base/operations.py 里的相关 helper。Kimi Code 拿到的第一批上下文就已经接近答案，因此不再需要沿着多个关键词反复搜索。

所以省下来的 token 并不是来自更短的答案，而是来自更短的搜索路径。更少的无关代码进入模型，Kimi Code 就能更快完成判断。

在 Kimi Code 里怎么接入 claude-context

把 claude-context 接到 Kimi Code 里，安装很简单

Step 1：准备 Milvus / Zilliz 连接配置

claude-context 需要一个向量数据库来存代码索引。这里可以用 Zilliz Cloud，也可以用自己本地或内网的 Milvus。你只需要准备两个环境变量：

• MILVUS_ADDRESS：Zilliz Cloud 的 endpoint，或者本地 Milvus 地址，比如 http://localhost:19530。
• MILVUS_TOKEN：Zilliz Cloud 用 API key；本地 Milvus 没开鉴权时可以留空。

另外还需要一个 embedding 模型的 key。下面示例用 OpenAI embedding。

~/.context/.env
mkdir -p ~/.context
cat > ~/.context/.env <<'EOF'
EMBEDDING_PROVIDER=OpenAI
EMBEDDING_MODEL=text-embedding-3-small
OPENAI_API_KEY=sk-xxx

# Zilliz Cloud: https://xxx.aws-us-west-2.vectordb.zillizcloud.com:19544
# Local Milvus: http://localhost:19530
MILVUS_ADDRESS=http://localhost:19530

# Zilliz Cloud 填 API key；本地 Milvus 没开鉴权可以留空
MILVUS_TOKEN=
EOF

Step 2：在项目里配置 Kimi Code 的 MCP

进入你要分析的代码仓库，在项目根目录创建 .kimi-code/mcp.json：

创建 Kimi Code MCP 配置
mkdir -p .kimi-code
vim .kimi-code/mcp.json

写入下面这段配置：

.kimi-code/mcp.json
{
  "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
    }
  }
}

这里的 npx -y @zilliz/claude-context-mcp@latest 就是安装并启动 claude-context MCP。第一次运行时会稍微慢一点，因为 npx 会先下载 package；后面再启动 Kimi Code 就会复用本地缓存。

这里有两个地方可以按自己的项目改：

• CUSTOM_EXTENSIONS：只索引你关心的源码后缀，比如 Python 项目可以只留 .py。
• CUSTOM_IGNORE_PATTERNS：排除 node_modules、.git、构建产物和图片，避免无关文件进索引。

Step 3：启动 Kimi Code，并先建索引

回到项目根目录启动 Kimi Code。第一次用的时候，可以直接对 Kimi 说：

在项目根目录启动 Kimi Code
cd /path/to/your/repo
kimi
text
给 Kimi Code 的索引指令
Index this codebase with claude-context.

索引完成后，再让 Kimi Code 做代码定位、调用链分析或 bug 修复。比如：

text
使用 claude-context 做代码定位
Use claude-context to locate the files related to bulk_create returning fields. Return the most relevant source file paths.

能看到 Kimi Code 调用 mcp__claude-context__search_code，基本就说明 MCP 已经接通了。

最后

Kimi K3 的长上下文和 coding 能力都很强，但强模型也需要一个好检索层。

不过，如果你只是问一个小函数，Pure Kimi Code 就够了；如果你经常让 agent 在大仓库里找代码、追调用链、修 bug，claude-context 不妨一试。