KimiClaw用了两周，来个不吹不黑的真实测评。
使用环境
- 后端开发，Go + Python
- MacBook Pro M2，VS Code
- 用的moonshot-v1-128k模型
能做什么（优点）
1. 超长上下文真的好用
这是KimiClaw最大的优势。我们项目有个3000多行的核心文件，用CoPaw的时候补全质量明显下降到不可用。换KimiClaw后，因为128K上下文能把整个文件都塞进去，补全质量好了很多。
2. 代码解释和Review
把一段复杂的Go并发代码丢给KimiClaw，它能很准确地分析潜在的数据竞争问题。这方面比CoPaw强。
3. 跨文件理解
在对话里用@workspace，KimiClaw能理解跨多个文件的代码关系。比如我问"这个API的完整调用链是什么"，它能从controller追到service再到dao层，给出完整的调用路径。
4. 中文交互流畅
描述需求用中文完全没问题，理解准确，回复也是中文。
不能做什么（缺点）
1. 代码补全速度慢
128k模型的推理速度比8k慢2-3倍，有时候补全要等1-2秒。写代码的时候这个延迟有点影响心流。
2. 复杂算法生成能力一般
让它实现一个B+树或者写个复杂的DP算法，生成的代码经常有bug。这方面不如Claude。
3. 偶尔幻觉
有时候会编造不存在的API或者库函数，需要人工检查。特别是比较新的库版本容易出错。
4. 没有JetBrains支持
我有些项目用GoLand，只能在VS Code里用KimiClaw，切来切去比较麻烦。
总结评分
- 长上下文理解：9/10
- 代码补全质量：7/10
- 补全速度：6/10
- 中文交互：9/10
- 综合：7.5/10
适合处理大型项目和需要全局理解的场景，日常简单代码补全不如CoPaw/Cursor快。
sprkx
2
同意你的评价。长上下文确实是KimiClaw的杀手锏，但日常补全速度是硬伤。我现在的方案是补全用8k模型（快），对话用128k模型（全面）。两全其美。
Go语言方面补充一点：KimiClaw对goroutine和channel的理解确实不错，但生成的代码有时候会忘记context传递，需要注意检查。
dsktz
3
补全速度慢这个问题我也遇到了。后来发现是我网络到Moonshot服务器延迟高（用的是海外节点）。换了国内节点后延迟从2秒降到500ms，体验好了很多。大家检查一下网络环境。
mnthx
4
关于幻觉问题，所有AI编程工具都有这个毛病，不是KimiClaw独有的。我的经验是：
- 生成的代码一定要跑一遍测试
- 涉及第三方库的API调用要对照文档确认
- 让AI生成完代码后再让它Review一遍自己的代码，能发现不少问题
KimiClaw的好处是128K上下文允许你在对话里贴更多的参考文档和示例代码，这样能显著减少幻觉。
@sprkx 补全用8k对话用128k这个方案好！我改一下配置试试。
@dsktz 网络确实是个因素，我公司网络到Moonshot的延迟还行，但在家wifi就明显慢了。
wrldz
6
从前端开发角度补充一下KimiClaw的表现：
React/TypeScript项目上，KimiClaw的类型推导能力还不错，但生成的组件结构比较保守（倾向于类组件而不是函数组件+Hooks）。需要在prompt里明确说"使用函数组件和Hooks"。
CSS方面跟CoPaw一样拉胯，Tailwind补全还行但复杂样式不行。不过这个锅是模型的，不是工具的。
总体给分：前端场景 7/10，没有楼主Go后端场景下长上下文的优势那么明显。
aibtz
7
JetBrains支持这个确实是痛点。期望月之暗面能尽快出JetBrains插件，不少做Java/Go的开发者都用GoLand/IntelliJ。现在只能在VS Code里用确实不太方便。