Caveman Skill：让 AI 编程 Agent 说话只说 35% 的字、节省 65% token 的压缩神器

Caveman 是一个让 AI 编程 Agent 开口说”穴居人压缩语言”的 Skill——同一段技术回答，它把冗长的叙述压缩成精简的短句，保持代码、命令、报错信息字节级不变，同时节省 65% 的输出 token（JetBrains 实测 86 任务，100% 技术准确率）。它不缩小 AI 的脑子，只缩小 AI 的嘴——安装一次，覆盖 Claude Code、Codex、Cursor、Gemini 等 30+ 主流 Agent，累计节省 token 持续累加在状态栏。GitHub 95.6k star，持续 trending，是近期 Token 优化类 Skill 里最火的项目之一。

功能与原则

Caveman 的核心能力是输出压缩：在 Agent 回复发出前，对其 prose 叙述进行风格压缩，去掉填充词、礼貌废话、过度解释，同时对代码块、diff、命令、报错字符串完全不碰。

设计原则三条：

• 只压嘴，不压脑：模型的知识和推理过程完全不变，只是输出的语言风格变了
• 代码优先：所有代码、技术字符串、路径、URL 均 byte-preserved，绝不压缩
• 诚实测量：README 内置 /caveman-stats 实时显示节省量，还写了 docs/HONEST-NUMBERS.md 主动披露技能局限性

认可度

• GitHub star：95.6k（截至 2026-08-04）
• Forks：5.5k，Contributors：43 人
• 今日 GitHub Trending 榜上有名（Trending 期间持续新增 star）
• JetBrains 独立实测背书：2026 年 7 月，JetBrains 在 86 个真实编程任务上对比 caveman-on vs caveman-off，结果显示 agentic 编码场景节省 8.5% 输出 token，质量（任务通过率）两个版本统计无差异
• npm 包 caveman-shrink 下载量持续增长，MCP 中间件生态活跃
• 学术论文引用：2026 年 3 月 arXiv 论文《Brevity Constraints Reverse Performance Hierarchies in Language Models》佐证”约束大型模型简洁回答可提升准确率约 26 点”

链接

GitHub：https://github.com/JuliusBrussee/caveman

原作者

Julius Brussee（@JuliusBrussee），独立开发者，同时维护 caveman 整个生态（caveman-code / cavemem / cavekit / cavegemma），MIT 协议。项目背后有 Atlas Cloud 赞助。

介绍

Caveman 起源于一个朴素的观察：AI Agent 回复里大量 token 消耗在”穿靴子的废话”上——”当然，我很乐意帮你””让我来解释一下””这个问题很有意思”。这些在人类对话里是礼貌，在自动化场景里只是纯成本。

于是 Julius 写了一个 Skill prompt，指令 Agent 用”穴居人”风格说话：先脑子风暴，再压缩输出。不改变技术结论，只去掉填充词。效果惊人：

正常 Agent（69 token）：“The reason your React component is re-rendering is likely because you’re creating a new object reference on each render cycle…”
Caveman Agent（19 token）：“New object ref each render. Wrap in useMemo.”

技术内容完全等价，token 节省 73%。在 JetBrains 的 86 任务 benchmark 上，整个对话链路的输出 token 节省 8.5%（因为 agentic 场景大部分输出是代码，prose 只占薄薄一层），但 prose 密集场景（解释、审查、文档）token 节省高达 65%。

Caveman 还不是一个点，而是一整套生态：caveman-code（全 Agent 压缩版）、cavemem（跨会话记忆压缩）、cavekit（spec-driven 构建循环）、cavegemma（Gemma 微调权重版），五个工具一个思路：让 Agent 用更少 token 干更多事。

特点

• 多 Agent 兼容：Claude Code、Codex、Gemini、Cursor、Windsurf、Cline、Copilot 等 30+ 主流 AI 编程 Agent，装一次全找到
• 四级压缩强度：lite / full（默认） / ultra / wenyan（文言文版），随时切换，级别保持到会话结束
• 零遥测：安装后完全不联网，无后端、无分析、无账号，纯本地工作流
• 实用附属命令：/caveman-commit（≤50字提交信息）、/caveman-review（单行 PR 评论）、/caveman-stats（实时 token 节省统计）
• /caveman-compress：将记忆文件（如 CLAUDE.md）永久压缩为 caveman 风格，从此每次新会话的输入 token 也省约 46%

使用方法

安装（macOS / Linux / WSL / Git Bash）：

curl -fsSL https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.sh | bash

Windows PowerShell：

irm https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.ps1 | iex

开启方式（Claude Code / Codex / Gemini 无需命令，直接开启）：
– 开启：/caveman 或说 "talk like caveman"
– 切换强度：/caveman ultra
– 关闭："normal mode"
– 实时节省量：/caveman-stats

MCP 中间件（压缩任何 MCP Server 的工具描述）：

npm install -g caveman-shrink

使用场景与人群

适用场景：
– 长时间 agentic 编码会话（context 窗口压力大，需要省 token）
– 高频调用 Claude Code / Codex 的自动化流水线（成本敏感）
– 多 Agent 协作（caveman 子 Agent 比 vanilla 子 Agent 节省约 60% token，主 Agent context 持续更久）
– 对 prose 密集型任务（代码审查、文档撰写、调试解释）进行成本优化

目标用户：
– 天天用 AI 编程工具的开发者（特别是 Claude Code 重度用户）
– AI 编程自动化流水线运维者（成本优化优先）
– 多 Agent 系统架构师（context 窗口管理）

输入与输出案例

案例 1：React re-render 问题解释

输入（Agent 正常回复）：

“The reason your React component is re-rendering is likely because you’re creating a new object reference on each render cycle. When you pass an inline object as a prop, React’s shallow comparison sees it as a different object every time, which triggers a re-render. I’d recommend using useMemo to memoize the object.”

Caveman 输出：

“New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo.”

Token：1180 → 159，节省 87%。技术结论完全一致。

案例 2：调试 PostgreSQL 竞态条件

输入（正常）：

“The issue you’re experiencing with PostgreSQL is most likely caused by concurrent transactions not being properly isolated. You should use SELECT … FOR UPDATE to acquire a row-level lock before making modifications, or consider setting a proper transaction isolation level such as SERIALIZABLE.”

Caveman：

“Bug: concurrent tx no lock. Use SELECT ... FOR UPDATE. Or set SERIALIZABLE isolation.”

Token：1200 → 232，节省 81%。

两个案例均来自官方 benchmark（benchmarks/），可复现。

GitHub: https://github.com/JuliusBrussee/caveman