如果你是一个重度 AI 编程用户，大概率经历过这样的场景：

你只想要一行正则表达式，AI 却从正则的历史起源开始，洋洋洒洒给你写了五个自然段。你问一个 Bug 怎么修，它先来一句 " 当然！我很乐意帮你解决这个问题 "，然后才开始正文。改一个标点符号，它把整个 800 行的文件重新输出了一遍。

看着 API 余额肉眼可见地往下掉，你忍不住仰天长叹：能不能闭嘴，直接说重点？

这不是你一个人有这种感觉。2026 年上半年，一个名叫 Caveman（穴居人）的开源项目，让全球开发者集体破防，贡献了 86,000 多个 Star，长期霸榜 GitHub Trending。

它的核心逻辑粗暴到令人发笑：

让 AI 像山顶洞人一样说话。删掉 "the""please""thank you"，删掉一切不影响技术含义、却不断吞噬 Token 的 " 人类客套 "。

但就是这一招，据称能平均省下 65% 的输出 Token。

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

Caveman 是什么？

Caveman 是开发者 Julius Brussee 写的一个 Claude Code Skill（技能 / 插件）。把它装进你的 AI 编程助手（支持 Claude Code、Codex、Gemini、Cursor、Windsurf、Cline、Copilot 等 30 多个平台），AI 的回复风格就会从 " 温文尔雅的英伦管家 " 变成 " 能用三个词绝对不说四个的原始人 "。

项目主页上写着两句话，基本说清了全部精神内核：

"why use many token when few token do trick"（为啥要用那么多 Token，少点 Token 不就行了）

"Brain still big. Mouth small."（脑子还在，嘴变小了。）

它不是一个新的模型，不是推理层面的优化，本质上就是一条精心编写的系统提示词（System Prompt）。它告诉 AI：技术术语和代码块必须保留，报错信息原样引用——其余能砍就砍。

Caveman 的火爆，与其说是一个技术事件，不如说是一次社区情绪的集中爆发。

去看看 Hacker News、Reddit、推特上的讨论，你会发现开发者对 AI" 话痨 " 的抱怨已经成了一种亚文化：

" 我花 15 美元 /100 万 Token 的价格，就是为了看 AI 跟我道歉和寒暄？"

" 求求你别再对我说 Certainly! Here is the... 了，直接给我报错或者给我代码行不行？"

  " 因为要改一个标点，它把整个文件重新输出了一遍，我差点破产。"

这些抱怨背后有一个结构性矛盾：AI 模型越强大，它的回复就越 " 周到 "，越喜欢把话讲完整、讲漂亮、讲到读者满意为止。但对于每天要和 AI 打交道的程序员来说，这种 " 周到 " 就是噪音，每一句 " 我很乐意帮您 " 背后都是白花花的银子。

Julius Brussee 敏锐地抓住了这个痛点。他在 README 中的核心思想可以理解为：

"为什么少量 Token 能说清楚的事，要用那么多 Token 去说？"

Caveman 的核心机制不复杂，但设计得很细致。它提供了一个 SKILL.md 文件，告诉 AI 一套全新的 " 说话规则 "：

删除以下内容：冠词、语气填充词、客套话、犹豫性表达。

允许使用短句、碎片句。优先使用更短的同义词——说 " 大 " 而不是 " 庞大 "，说 " 修 " 而不是 " 实施一个解决方案 "。推荐句式结构： [ 问题 ] [ 动作 ] [ 原因 ] 。 [ 下一步 ] 。

看一个对比就明白了：

【正常 AI】"The reason your React component is re-rendering is likely because you are creating a new object reference on each render cycle. When you pass an inline object as a prop, React shallow comparison sees it as a different object every time, which triggers a re-render. I would recommend using useMemo to memoize the object."

【Caveman 模式】"New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo."

从上面的对比可以看出，Caveman 模式用极少的词传达了同样的技术信息。

六种模式，总有一款适合你

Caveman 提供了五个压缩级别（加上 normal agent 共六档），随时可以通过 /caveman 切换：

值得一提的是 wenyan 模式——文言文。中文天然就比英文 " 省 Token"，而文言文更是把每个字的表意密度拉到了极致。Julius 在 README 里特意提到，Caveman 不会改变你的语言，你说中文它就压缩中文，说日文就压缩日文。只有 wenyan 是个例外：它故意用文言文来获得最大的压缩比。

除了说话模式，Caveman 还提供了一系列实用命令：

/caveman-commit：生成 50 字以内的 Conventional Commit 信息，只说 " 为什么 " 不说 " 做了什么 "

  /caveman-review：一行式的 PR 评论，比如 "L42: bug: user null. Add guard."

  /caveman-stats：实时统计当前会话的 Token 使用量和累计节省量

/caveman-compress ：把记忆文件（比如 CLAUDE.md）改写成 Caveman 风格，每次会话都省输入 Token

安装 Caveman 的简单程度，可能是它能爆火的另一个原因。一条命令搞定：

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

它会自动检测你机器上安装的所有 AI 编程助手，逐个完成安装。全程大约 30 秒，需要 Node.js 18 以上。装完之后，在 Claude Code 里输入 /caveman 就能激活。更贴心的是，在 Claude Code、Codex 和 Gemini 上，Caveman 从第一条消息开始就是默认开启的——你甚至不需要输入任何命令。

装完后，Claude Code 的状态栏会出现 " [ CAVEMAN ] ⛏ 12.4k" 这样的标识，实时显示你累计节省的 Token 数量。

作者在项目中提供了完整的基准测试数据：

10 个任务，平均从 1214 个 Token 压缩到 294 个，节省 65%。其中技术性越强的任务（Bug 修复、架构配置、调试），压缩效果越好，因为这类问题 AI 本来就不需要 " 铺垫 "。反而偏 " 解释型 " 的任务（如 git rebase vs merge），压缩空间小一些——毕竟要讲清楚概念，话太少也不行。

等等，它真的能省钱吗？

这里需要说一句大实话。

Caveman 压缩的是输出 Token，但它不压缩输入 Token，甚至因为加载 Skill 本身要消耗上下文预算，每轮对话还会多出约 1~1.5k 的输入 Token。更关键的是，它不触及模型的 Hidden Reasoning Tokens —— AI 在 " 思考 " 阶段的 Token 消耗，才是 Claude Code 这类工具成本的大头。

作者在文档里也诚实地标注了这一点：

"Honest number warning. Caveman only shrinks output tokens. Input and reasoning tokens are untouched."

所以，如果你指望装了 Caveman 就能把 API 账单砍掉 65%，大概率会失望。端到端的真实成本节省，远没有 65% 那么夸张。

但这并不妨碍 Caveman 的价值。

因为对于很多开发者来说，" 省钱 " 只是结果，真正的痛点是 "AI 话太多，读起来太累 "。Caveman 带来的是一种阅读体验的解放—— AI 终于不再像刚入职的实习生一样每句话都要铺垫了，而是像跟一个经验丰富的老同事交流，直接说重点。

而且，简洁真的有助于准确。2026 年 3 月的一篇论文《Brevity Constraints Reverse Performance Hierarchies in Language Models》测试了 31 个模型，发现对大型模型施加简洁约束后，在某些基准测试上准确率提升了约 26 个百分点。有时候，说得少确实说得对。

Caveman 早已不止是那个让 AI 说 " 人话 " 的 Skill。围绕它，作者搭建了一整套工具链：

caveman-shrink：一个 MCP 中间件，可以压缩任何 MCP Server 的工具描述——让 AI 调用外部工具时也说 " 穴居人语 "。

  cavecrew-investigator / builder / reviewer：三组子 Agent，分别负责信息调查、方案构建和代码审查，每个都内置了 Caveman 风格的压缩逻辑。

  caveman-code：端到端压缩整个编码 Agent 流程，输出 Token 约为原生的一半。

cavemem / cavekit / cavegemma：面向不同场景的生态工具，进一步扩展了 Caveman 的压缩理念。

项目还在持续演进。README 中明确标注了 Caveman 2 正在开发中，核心目标是让 Token 节省变得可证明、可验证——不再只是 " 感觉省了 "，而是有精确的度量。

值得一提的是，Caveman 在隐私方面做得相当彻底。项目明确声明：无遥测、无分析、无账号、无后端服务器。安装后零网络调用，所有处理都在本地完成。这种克制在今天的开源项目中并不多见。

Caveman 的快速成长也得到了商业支持。项目由 Atlas Cloud 赞助，这是一家全模态 AI 推理平台。

这些信号指向同一个方向：下一代 AI 工具的竞争，不再是 " 谁更会说话 "，而是 " 谁在更少的 Token 里传递了更多的价值 "。

Agent 不需要漂亮的界面和礼貌的寒暄，它要的是结构化输入、结构化输出、可编程的接口。Caveman 看似只是一个让 AI 说 " 人话 " 的玩笑插件，但它踩中的，其实是 AI 从 " 人机交互 " 走向 " 机机交互 " 的时代脉搏。

Julius Brussee 在 Hacker News 上解释自己为什么要做 Caveman 时说了一句话：" 我受够了 AI 的废话。"

这大概也是 85,000 多个 Star 背后，每一个开发者的心声。

Caveman 不会让你的 AI 变聪明，但它会让你的 AI 更 " 懂事 "。在这个 Token 就是金钱的时代，少说废话，本身就是一种美德。（本文首发钛媒体 APP，作者 | 硅谷 Tech_news，编辑 | 焦燕）