Caveman项目实测——你是怎么让agent像穴居人说话的

——让AI少说废话，省token的项目，88k stars

简而言之，这个skill的功能就是先选择压缩率，通过Hook将规则注入到系统提示词，agent根据提示词对输出内容进行压缩。

表现形式就是让AI agent说话像原始人。

用Claude/Sonnet写代码的bro，一顿对话下来几百上千个token是常有的事，其中一半是"当然，我很乐意帮你解决这个问题"这类废话。

Caveman把这些全砍了。

是不是有点没礼貌了。

不同等级压缩实测

四个级别，同题实测，拿tokenizer逐条数。

题目是经典的React面试题：inline object prop为什么导致不必要re-render，useMemo怎么解决。

结论：

🗣 Normal 正常说话 3,682 基线

🪨 Caveman Full 344 省 90.7%

🔥 Caveman Ultra 233 省 93.7%

🏛 Wenyan 文言文 110 省 97.0%

90%这个数字应该是有点水分——因为我的hermes 上来就写了篇10节小论文（面试能说这么多？）。

但33.5x压缩比确实震撼。

比起节省的token，我觉得更有用的是时间

看看实际长什么样

Normal版——从JS引用比较讲到useMemo代价：3,682 tokens

Caveman Full版——碎片句，去填充词和客套话： 344 tokens

Ultra版——连连词都砍了，一句到位： 233 tokens

wenyan版——谁说21世纪没有文艺复兴：110tokens

它是怎么做到的

翻了源码，三层结构：

1. 规则文件（SKILL.md） — 写好一套"别废话"的指令，告诉agent什么该删、什么不能碰（代码块、URL、API名称一律保留）

2. 每轮强化 — SessionStart注入一次不够，agent说着说着就飘回啰嗦模式了。Caveman在每次对话提交时都再塞一句"CAVEMAN MODE ACTIVE"，持续提醒

我说agent是萝莉控，是治不好的，得经常性地电。

3. MCP中间件（caveman-shrink） — 连MCP工具的描述文本都压一遍，纯正则规则，代码块不动。

节省成本

唯一代价：每轮多吃了~1-1.5k input token用来塞规则提醒。

也就是说是用便宜的 input 换贵的 output 的生意。

以 Claude Sonnet 的定价（input $3/M token，output $15/M token）为例：

• 每轮投入：1.5k input × $3/M = $0.0045

• 每轮回报：省 900 output × $15/M = $0.0135

• 每轮净赚 $0.009，3 倍 ROI

按 Caveman 自己 benchmark 的数据：正常回复均值 1,200 tokens/caveman 回复均值 300 tokens。所以一场会话有 2-3 轮交互就回本了，后面全是净省。只有"问一句就跑"的单轮场景可能小亏，但 agent 工作流基本不止一轮。

Caveman自己的文档（HONEST-NUMBERS.md）写了：整场算下来净省14-21%，不是65%。诚实的。14-21% 是算上了 input 开销后的净省，65% 是只看 output 端的压缩率。

值得装吗

如果对话时，能从多如牛毛的skill中想起这个skill，那就值。

一条命令搞定：“agent，给我装上这个skill（帖项目地址）”。

支持30+agent：Claude Code、Codex、Cursor、Windsurf……

用的时候说"talk like caveman"就行，不想用了说"normal mode"。没有学习成本。

项目地址：https://github.com/JuliusBrussee/caveman

emmm，7.8/10吧，一般推荐。