💻 编程开发 全难度 📦 JuliusBrussee

caveman — 极简输出模式,Token 直降 65%

JuliusBrussee 出品，开启后 AI 砍掉所有废话只保留干货，实测输出 Token 节省 65%，GitHub 85.2k Stars，支持 30+ Agent。

10 /10 ★★★★★
#免费#编程#API
📄 相关文章

📊 评分明细

📦 打包完整度
2.5 2.5 / 2.5
🎯 实用性
2.5 2.5 / 2.5
📖 文档清晰度
2 2 / 2
👥 社区影响力
1.5 1.5 / 1.5
🔗 集成度
1.5 1.5 / 1.5

🎯 适用场景

免费编程API

caveman 快速入门

一键让 AI 进入”原始人模式”:少废话、多给代码,Token 账单立省 65%。

这是什么?解决什么问题?

用 AI 编程久了,容易发现一个规律:模型越”礼貌”越费钱。“当然可以!我非常乐意帮你!下面是一个完整的示例……”——这种客套话每一轮都要吃几十到几百 token,长期下来 API 账单里”客套”占比能到 30% 以上。

caveman 是 JuliusBrussee 出品的一个超轻量 Skill,核心就一条规则:输出用最少的字。

  • 不写”好的,以下是……”
  • 不写”希望这对你有帮助”
  • 不解释背景,除非被问
  • 代码块能合并就合并
  • 输出格式尽量”电报体”

仓库 benchmarks/ 目录含可复现的 token 对比测试：同样一个任务,常规模式输出 1214 token,caveman 模式只输出 294 token,节省 65%。252 commits 的高频维护和 85.2k Stars 证明了这个简单想法的巨大价值。

适合人群:每天用 AI 写大量代码的人、给团队开 API 账户想省成本的技术 Leader、刷算法题/做 Code Review 的人。

准备工作

  • 一个支持 SKILL.md 的 agent（Claude Code / Codex / OpenCode / Cursor）
  • 5 分钟时间
  • (可选)准备一个能看 token 用量的工具,如 Claude Code 自带的 /cost 命令

3 步快速上手

第 1 步:克隆并安装

git clone https://github.com/JuliusBrussee/caveman.git
cd caveman
node bin/install.js

安装脚本自动检测你的 Agent 类型并配置。也支持手动复制 SKILL.md 到对应目录。

第 2 步:确认 Skill 已加载

Claude Code 用户检查 .claude-plugin/，Codex 用户检查 .codex/。重启 agent 后 /skills list 看到 caveman 即 OK。

第 3 步:对比”开启前 / 开启后”的输出

不开 caveman：输出 200+ token,前 1/3 是”好的,这是……”等客套。

开 caveman：用 /caveman 前缀或在 prompt 中写 [用 caveman]，输出通常 < 80 token,直接给代码。

算账:同一个 prompt 反复 100 次,开 caveman 一周能省 1 万-3 万 token。85.2k 开发者已经在这么做了。

常见踩坑

  1. 所有场景都开 caveman:写正式文档、做客户演示、给新人解释概念,千万别开 caveman,客套和解释是有用的。只在”我已经知道我要啥”的场景开。

  2. 同事看不懂 caveman 输出:如果你是 Tech Lead,直接给团队推广要注意”可读性下降”,建议只在 Code Review、生成测试、重构这类个人高密度场景使用。

  3. 复杂任务 caveman 会出 bug:任务越复杂,模型越需要”解释思路”,否则可能给出错误代码。开 caveman 时尽量把任务拆小,每个子任务独立完成。

  4. 想关掉时怎么关:SKILL.md 是被动加载,你直接换一个不带 /caveman 前缀的提问,模型就回到默认风格;也可以 /skills disable caveman 临时关。

  5. “电报体”被部分场景嫌弃:如果对接的是 LLM-as-Judge 评测(模型打分自己的输出),caveman 风格有时反而得低分,因为解释不够清楚,自动化评测场景慎用。

  6. 与”长输出 Skill”冲突:如果你同时启用了”详细日志”类 Skill,caveman 可能会被覆盖,要分场景使用。

初级用法

  • 刷算法题:每题用 caveman 模式出解法,30 分钟 10 题,token 用量可控。
  • 批量改字段名:让 AI 把一个文件里 20 个变量从 userId 改 userID,caveman 模式不会画蛇添足加注释。

高级玩法

  • 配合 cost-tracker Skill:把 caveman 的输出接给一个 token 计数器,长期跟踪”省了多少 token”,每月给老板出报告。
  • 场景化 Prompt 模板:把”开 caveman”和”不开”做成两个 prompt 模板,日常写代码用 caveman 版、写 README 用普通版,自动选择。
  • CI 中的 AI 评审:PR 自动化评审流程里全程 caveman,既快又省。

小技巧

  • caveman 输出短,出错时少给上下文,可以追问”再解释下”临时切回详细模式。
  • 用”罗列选项”代替”完整段落”,AI 会优先输出短答案。
  • 表格比段落省 token,如果答案可以表格式,主动说”用表格回答”。
  • 一次只让 AI 做一件事,caveman 模式不喜欢”顺便……”。
  • 自己写代码注释时也学 caveman 风格,简洁到极致,长期能训练出更好的”AI prompt 直觉”。

⚙️ 六级压缩强度详解

caveman 不只是”开/关”二选一，而是提供 6 级精细调节（含默认模式），每级对同一句话的压缩效果不同：

级别同句示例特点
normal（正常）“You should wrap the object in useMemo, since a new reference is created on every render.”默认 Agent 风格
lite（轻度）“Wrap object in useMemo. New ref created every render.”保留完整句式，去客套
full（默认）“New ref each render. Wrap object in useMemo.”电报体，最推荐
ultra（极限）“New ref/render. useMemo it.”极简，适合刷题/批量操作
wenyan（文言）“每渲染新引用，当以 useMemo 裹之。“文言文模式，中文 token 效率最高

切换方式：输入 /caveman lite 或 /caveman ultra 随时切换级别，级别在会话期间保持。说 “normal mode” 即可回到默认风格。

选级建议：

  • 日常编码、Code Review → full（默认，最均衡）
  • 刷算法题、批量重构 → ultra（极速输出，token 最省）
  • 写文档、新人教学 → normal（关掉 caveman，需要解释和上下文）
  • 中文场景、追求极致 token 密度 → wenyan（文言文压缩率最高）
  • 半正式场景、需要保留完整句式 → lite（去客套但不碎片化）

🛠️ 命令生态全景

caveman 安装后提供的不只是一个 Skill，而是 5 个专用命令组成的工具链：

/caveman — 核心压缩命令

/caveman [lite|full|ultra|wenyan]：压缩每轮 AI 回复。级别跨会话保持，直到手动切换或会话结束。

/caveman-commit — Conventional Commit 生成

生成符合 Conventional Commits 规范的提交信息，主题 ≤50 字符。关键原则：“Why over what”——解释为什么要改，而不只是描述改了什么。

# 示例输出：
feat: add useMemo to prevent infinite re-render loop
fix: expire token when <= expiry, not just < expiry

/caveman-review — PR 单行评论

对 PR 中的每处修改生成一行精炼评论，格式固定为 文件:行号: 🔴/🟡/🟢 类型: 问题简述。修复建议。

/caveman-stats — 实时 Token 用量统计

读取本地会话日志，统计实时 token 使用量、终生节省量和对应 USD 金额。Claude Code 用户状态栏显示 [CAVEMAN] ⛏ 12.4k（终生节省）。支持 --share 一键生成可分享的统计数据行。

想隐藏状态栏？设置环境变量 CAVEMAN_STATUSLINE_SAVINGS=0。

/caveman-compress — 压缩记忆文件

将 CLAUDE.md、AGENTS.md 等 Agent 记忆文件改写为 caveman 风格。长期价值巨大——记忆文件在每次会话开头加载，压缩后可永久减少每轮对话的输入 token，实测约省 46%。代码块、URL、路径逐字节保留，不丢失技术信息。

🏔️ Caveman 生态：不止一个 Skill

caveman 已经从单 Skill 发展为覆盖 AI 开发全流程的”洞穴生态”项目群：

项目作用关系
caveman（本 Skill）压缩 Agent 说什么入口，最基础
caveman-code压缩整个 Agent（端到端终端编辑器）深度版本，~2× 比 Codex 省 token
cavemem压缩 Agent 跨会话记住什么记忆优化
cavekit压缩构建循环（spec 驱动，零猜测）构建工具
cavegemma压缩 baked into 模型权重（Gemma 微调版）模型层优化
caveman-shrinkMCP 中间件，压缩任意 MCP 服务器的工具描述协议层优化

五个工具共享一个核心理念：agent do more with less。生态内的所有项目均为 MIT 开源，由同一 Sponsor 计划支撑。

Caveman 2：从估算到验证

当前 /caveman-stats 的节省数据是本地估算。Caveman 2 正在建设跨团队的验证系统——真实收据、真实仪表盘、真实证明 token 确实降了。加入 waitlist：caveman.so

🔒 隐私与安全

caveman 零网络调用、零遥测、零账户、零后端。安装后完全不联网——Skill 是纯文本 prompt，Hook 是本地脚本，/caveman-stats 只读取本地日志。安装时仅访问 GitHub 和 Agent 自身的注册表，所有网络行为在 SECURITY.md 中逐条列出。

📊 基准测试深度解析

caveman 的 65% 节省率不是估算，而是来自 benchmarks/run.py 对 10 个真实编程任务的实测数据：

任务正常输出 (token)caveman 输出 (token)节省率
解释 React re-render bug118015987%
修复 auth middleware token 过期70412183%
设置 PostgreSQL 连接池234738084%
解释 git rebase vs merge70229258%
重构 callback 为 async/await38730122%
架构：微服务 vs 单体44631030%
审查 PR 安全问题67839841%
Docker 多阶段构建104229072%
调试 PostgreSQL 竞态条件120023281%
实现 React Error Boundary345445687%
平均121429465%

来源：GitHub benchmarks/ — Python 脚本 + prompts.json + results/ 目录

关键观察：

  • 节省率最高的场景（87%）：解释型任务（re-render、Error Boundary）——因为正常回答含大量客套和教学性内容
  • 节省率最低的场景（22%）：重构 callback → async/await ——因为两种模式下代码本身都占比高，客套空间小
  • 纯代码任务（连接池 84%、Docker 72%）仍然大幅节省——因为正常模式往往附带”这是最佳实践”等注释

诚实数字：何时 caveman 反而不省钱

caveman 的 HONEST-NUMBERS.md 坦诚披露：

  • caveman 只压缩输出 token，输入 token 和推理 token 不受影响
  • Skill 本身每轮额外增加 ~1-1.5k 输入 token（Skill prompt 文本）
  • 在已非常简洁的工作流中，可能净亏 token
  • 真实收益在于可读性和速度，成本节省是附加好处

建议：在输出密集的场景（长解释、教学、文档生成）使用 caveman 效果最好；在输出本就极简的场景（单行代码、yes/no 问答）可能不需要。

💡 一句话总结：caveman 不是让 AI 变笨，是让 AI 闭嘴。压缩的是输出风格，不影响技术准确性。

基本信息

项目详情
来源仓库mattpocock/skills
作者Matt Pocock
Stars68,000+
协议MIT
适用工具所有支持 Skills 的工具

安装

npx skills@latest add mattpocock/skills
# 选 caveman

# 或手动
git clone https://github.com/mattpocock/skills.git
cp -r skills/skills/productivity/caveman ~/.claude/skills/

安装后 /caveman 开启，再打一次关闭。

这个 Skill 解决什么问题？

AI 回复太啰嗦是高频痛点。解释问题背景、重复你的需求、客套话、不请自来的建议——这些不是错误，但在日常高频使用中是巨大的 Token 浪费。

caveman 砍掉所有这些，只留干货。

实测对比

正常模式caveman 模式
平均输出 Token~1,214~294
废话率高接近零
技术准确性正常不变
推理质量正常不变

🔑 关键：caveman 只影响输出 Token，思考/推理 Token 完全不动。大脑没变小，嘴巴变小了。

使用场景

  • 每天高频使用，默认开启
  • 简单问题：“这个错误怎么修”→ 直接给方案
  • 连续开发时：减少阅读 AI 回复的时间
  • 省 API 费用：输出 Token 比输入 Token 贵

深度体验

这个 Skill 的巧妙之处：它不是简单地加一句”请简洁回答”，而是系统性地定义了什么是废话：

  1. 砍掉冠词（the, a）
  2. 砍掉客套（“当然，我来帮你…”）
  3. 砍掉问题复述（“你问的是 XXX，答案是…”）
  4. 砍掉不请自来的建议（“另外你还可以考虑…”）
  5. 砍掉收尾语（“如果还有其他问题请随时…”）

独立测试验证，11 个真实开发任务中，caveman 始终将输出压缩到 300 tokens 以内。

与其他 Skills 组合

日常默认开启 caveman
需要详细解释时临时关闭
遇到 Bug → /diagnose（结构化调试，不需要 caveman 干扰）

参考资料

  1. mattpocock/skills GitHub
  2. Matt Pocock 官方主页
  3. Hermes Agent Skills 文档

📊 评分与标签

评分说明

总分 10.0/10 · P_优选

📊 可观测社区指标（数据核验日期：2026-07-06）

  • GitHub: JuliusBrussee/caveman ★85.2k, 🔱4.7k, 252 commits, 12 branches, 16 tags
  • Issues: 157 个（含已关闭）
  • Pull requests: 206 个（含已合并）
  • Discussions: 活跃
  • 许可证: MIT
  • 支持的 Agent: Claude Code / Codex / Gemini / Cursor / Windsurf / Cline / Copilot 等 30+ 个 Agent
  • 生态系统: caveman（本 Skill）、caveman-code（终端 Agent）、cavemem（跨会话记忆）、cavekit（构建循环）、cavegemma（Gemma 微调版）

📦 可安装性 2.5/2.5

  • macOS/Linux/WSL/Git Bash 一行安装：curl -fsSL https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.sh | bash
  • Windows PowerShell 一行安装：irm https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.ps1 | iex
  • 安装 ~30 秒，仅需 Node ≥18，自动检测已安装 Agent 并配置，跳过未安装的 Agent，安全可重复运行
  • 核心规则极其精简：SKILL.md 仅 5 条电报体指令（不写客套话、不解释背景、代码块合并、电报体输出、保持代码/命令字节级不变），零外部依赖
  • CI 自动同步 SKILL.md 副本到各 Agent 目录（.claude-plugin/、.codex/ 等），github-actions bot 3 天前仍在提交
    • 来源：GitHub Commits（commit 0d95a81 “chore: sync SKILL.md copies”）
  • 对比 superpowers（★246k）：superpowers 是 8 个 Skill 套装，需分别安装和配置，caveman 单 Skill 一行命令全搞定
  • 对比 book-to-skill（★7.9k）：book-to-skill 需 Python 环境 + API 额度 + 手动配置，caveman 纯文本零依赖即装即用

🎯 实用性 2.5/2.5

  • 核心价值：10 项可复现基准测试，输出 Token 平均节省 65%（正常 1214 → caveman 294 token），单项范围 22-87%
  • 6 级压缩强度可调：/caveman lite → full(默认) → ultra → wenyan（文言文模式，token 效率最高），随时切换，级别跨会话保持
  • 完整命令生态：/caveman-commit（Conventional Commit ≤50 字）、/caveman-review（PR 单行评论）、/caveman-stats（实时 token 用量+终生节省+USD，支持 —share 一键分享）、/caveman-compress（压缩 CLAUDE.md 等记忆文件，约省 46% 输入 token，长期反复生效）
  • 学术验证：2026 年 3 月论文 Brevity Constraints Reverse Performance Hierarchies 测试 31 个模型，发现限制大模型简洁回答后基准分提高 ~26 分——“少说话有时更正确”
  • 诚实披露：docs/HONEST-NUMBERS.md 详述何时 caveman 省钱、何时反而亏 token（输入 token 增加 ~1-1.5k/轮），在已简洁的工作流中可能净亏
  • 对比 superpowers（8 个 Skill）：superpowers 覆盖面广但每个 Skill 独立发挥作用，caveman 单一 Skill 对每轮对话产生累积效应——使用越频繁，节省越显著
  • 对比手动加 “be concise” prompt：手动提示效果不稳定、不可量化、无法按场景开关；caveman 提供结构化 6 级控制 + 可观测统计 + 跨会话持久化，是”系统化”vs”临时性”的代际差距

📖 文档质量 2.0/2.0

  • README 含 Before/After 对比示例、6 级压缩强度表、10 项基准测试表、安装矩阵、完整命令参考、生态系统地图
  • docs/ 目录含 HONEST-NUMBERS.md（诚实数据说明，何时省何时亏）、Install Matrix（各 Agent 安装路径对照）、SECURITY.md（隐私策略：零网络调用、零遥测）、CONTRIBUTING.md（贡献指南）
  • benchmarks/ 含 run.py（可运行测试脚本）+ prompts.json（10 组测试 prompt）+ results/（历史结果）+ requirements.txt，完全可复现
  • evals/ 目录（评估套件）和 tests/ 目录（单元测试）提供工程质量保障
  • AGENTS.md、CLAUDE.md、GEMINI.md 分别针对不同 Agent 的配置说明，CLAUDE.md 含 Hook 架构、文件所有权、CI 同步等维护者文档
  • 对比 superpowers 文档：superpowers 8 个 Skill 各有一套文档但 OR 概念复杂，caveman 单 Skill 文档信息密度极高——一页 README 覆盖安装/使用/基准/生态/隐私/贡献全部
  • 对比 book-to-skill：book-to-skill 有 docs/ 参数说明但缺乏诚实数据披露（如何时不适用），caveman 的 HONEST-NUMBERS.md 在同类项目中罕见且具有标杆价值

👥 社区活跃 1.5/1.5

  • GitHub ★85.2k, 🔱4.7k，单 Skill 项目中现象级规模——根据 页面核验 最新数据，3 天内从 84.8k 涨至 85.2k
  • 157 Issues、206 PRs，社区高度活跃，4 天前仍有 issue #571 和 #528 的修复提交
  • Discussions 板块活跃，含安装问题、与其他 Skill 协同、token 节省分享等主题
  • Sponsor 计划运转良好（Atlas Cloud 等赞助商），衍生出 caveman-code、cavemem、cavekit、cavegemma 4 个兄弟项目形成”洞穴生态”
  • 被学术界引用（2026 年 3 月论文），从社区现象升级为学术验证的标杆案例
  • 对比 superpowers（★246k）：star 数更高但分散在 8 个 Skill 上，caveman 单 Skill 85.2k 的人均浓度更高
  • 对比 browser-search（★88）：社区规模差距约 970 倍，caveman 已达到社区自发传播的正反馈阶段

🔗 兼容性 1.5/1.5

  • 支持 30+ Agent：Claude Code、Codex、Gemini、Cursor、Windsurf、Cline、Copilot 及更多——远超同类 Skill 通常的 2-4 个
  • 全平台安装支持：macOS/Linux/WSL/Git Bash（install.sh）+ Windows PowerShell 5.1+（install.ps1），覆盖所有主流开发环境
  • MCP 中间件 caveman-shrink：npm 包，包装任意 MCP 服务器的工具描述压缩输出，将 caveman 的压缩理念从 Agent 对话扩展到 MCP 工具链
  • 多语言支持：保持用户原语言（葡萄牙语、西班牙语、法语等），文言文模式（wenyan）专门针对中文场景优化 token 密度
  • OpenClaw 集成（“Teach the lobster brevity”），扩展至非传统编程 Agent
  • 对比 superpowers：superpowers 支持 Claude Code/Hermes/Windsurf，覆盖约 5 个 Agent；caveman 30+ Agent 覆盖量是 6 倍
  • 对比 browser-search（需 Docker + npm + SearXNG 服务器）：caveman 一行 curl 安装，零外部依赖，零网络调用（安装后），兼容性壁垒极低

评分依据可追溯至公开来源，每项分数均有明确理由和数据支撑。

🏷️ 标签说明

  • 免费: MIT 开源，完全免费，Sponsor 捐赠支撑。来源：GitHub LICENSE
  • 编程: 以 AI 编程辅助和 Token 节省为核心，6 级压缩 + 5 个专用命令覆盖编码/提交/审查/统计全流程。来源：GitHub README
  • API: 通过减少输出 Token 降低 API 费用（输出 -65%），/caveman-compress 额外减少输入 Token ~46%。来源：GitHub benchmarks/

📋 来源与核验记录