caveman：让 AI 编程助手「开口说话」的方式彻底改变

想象一个场景：你在凌晨两点赶一个 bug，Claude Code 回了你一段 500 字的冗长解释，而你的代码还在报错。 你需要的是直接答案，不是论文摘要——caveman 就是来解决这个问题的。

---

1. 它是什么：LLM 输出压缩器，而非更弱的模型

caveman 并不是另一个更小、更弱的 AI 模型。它是一个 Claude Code / Codex 等主流 AI 编程助手的「说话风格插件」，核心能力只有一个：用更少的 token 表达同样的技术意思。

官方数据显示，在 10 个真实编程任务中，caveman 风格平均节省 65% 的输出 token（最高可达 87%）。更关键的是——技术准确性保持在 100%。它没有让 AI 变笨，只是让它学会「闭嘴说重点」。

打个比方：普通 AI 编程助手就像一位超级热情但话太多的同事，每次回答都要先铺垫背景、解释原理、举三个例子才说到重点；caveman 则把这位同事调教成了地铁站里的公告牌——字字玑珠，没有废话。

---

2. 背景故事：Token 计费的焦虑催生了这个项目

2025 年开始，随着 Claude Code、Codex、Cursor 等 AI 编程工具在开发者中普及，一个新的焦虑浮现了：Token 费用。

一次对话消耗几千 token 是常态，一个复杂的重构任务可能烧掉几十美元的 API 费用。更让人头疼的是：AI 回复中大量是「废话」——"当然，我可以帮你解决这个问题"、"让我来解释一下"、"首先，我们需要..." 这些填充词占用了大量 token，却不包含任何技术信息。

作者 JuliusBrussee 在 GitHub 上公开表示，这个项目源于他自己在实际开发中对 Token 费用的「肉疼感」。2026 年 4 月上线 GitHub 后短短一个多月，狂揽 6.3 万 stars，成为 AI 编程工具类增长最快的项目之一——某种程度上，这反映了整个社区对「AI 话太多」问题的共鸣。

---

3. 核心功能：四个等级、一个 MCP 中间件、一套子命令

四种压缩等级

caveman 提供从轻到重的四级压缩：

等级	描述	适用场景
lite	去掉语气词和铺垫句	日常对话，想稍微简洁一点
full（默认）	洞穴人风格：短句、省略、碎片化	日常编程，节省最多
ultra	电报风格：关键词罗列	超高 token 压力场景
wenyan	文言中文，更极致的压缩	中文场景，趣味性强

核心子命令

• /caveman：激活当前会话的压缩模式
• /caveman-commit：生成 ≤50 字符的规范提交信息（"修复了什么"而非"为什么"）
• /caveman-review：一行 PR 评论，格式如 L42: 🔴 bug: user null. Add guard.
• /caveman-stats：统计当前会话节省的 token 数量和预估美元费用
• /caveman-compress <file>：将 CLAUDE.md 等记忆文件压缩后存入，下次对话上下文更小

MCP 中间件：caveman-shrink

除了 Claude Code，caveman 还发布了 caveman-shrink 作为 MCP（Model Context Protocol）中间件——可以包装任意 MCP 服务器，让工具描述也享受压缩。这让压缩范围从「AI 说的话」扩展到了「AI 收到的上下文」，形成双端节省。

---

4. 技术架构：Node.js 单语言栈 + Agent 插件标准

caveman 的技术实现相当简洁，完全基于 Node.js（要求 ≥18），没有 Python、没有 Docker、没有重型依赖。

项目核心结构：

src/
  hooks/          # Claude Code 钩子（自动激活、状态追踪、统计）
  rules/          # 激活规则主体（单源，驱动各 Agent 的初始化文件）
  tools/          # caveman-init.js（写 per-repo 规则）
  mcp-servers/    # caveman-shrink MCP 中间件
skills/
  caveman/        # 核心压缩 skill
  caveman-commit/ # 提交信息生成
  caveman-review/ # PR 审查
  cavecrew-*/     # 洞穴人风格子代理（比普通子代理节省 ~60% token）
commands/
  *.toml          # 命令定义（Claude Code 的 .toml 格式）
dist/
  caveman.skill   # 打包发布的 .skill 文件

安装流程（install.sh）会自动检测用户安装的 AI 编程工具（Claude Code、Codex、Cursor 等 30+ 种），为每种工具写入对应的激活规则。无需手动配置，重启工具即生效。

---

5. 上手体验：30 秒安装，立刻感受到「嘴小了」

安装过程极为简单：

# macOS / Linux / WSL
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

唯一的前提是 Node.js ≥ 18（大多数开发者机器已具备）。安装脚本会自动检测本机已有的 AI 编程工具并逐一安装。安装完成后：

• Claude Code、Codex、Gemini：自动激活，无需手动触发
• Cursor / Windsurf / Cline / Copilot：始终生效（通过初始化文件）
• 其他工具：手动 /caveman 触发

使用效果几乎是立竿见影的：原本一条长回复变成三四行的碎片化表达，但技术内容完整保留。第一次跑 /caveman-stats 看到节省了多少 token 和美元，是最有成就感的时刻。

---

6. 争议与局限：压缩的边界在哪里？

caveman 并不是完美的，也有值得讨论的局限：

1. 上下文理解要求更高：当 AI 的回复被压缩到极限，信息密度大幅提升，但同时也要求使用者对相关技术概念有足够的理解。如果你是初学者，caveman 的碎片化回复可能会造成额外的理解成本。

2. 226 个 open issues 的背后：截至分析时，该项目有 226 个 open issues，这在 6 万 stars 的项目中比例偏高。部分 issues 反映的是安装兼容性问题（某些 Agent 版本变化导致激活规则失效），说明插件化的脆弱性是真实存在的。

3. 「洞穴人风格」的适用边界：对于需要详细解释的设计讨论、技术方案评审等场景，过度压缩可能适得其反——省了 token，但丢失了「AI 给出推理过程」的价值。这更多是一个使用习惯问题，而非工具缺陷。

---

7. 行业意义：简洁 AI 回复的新范式

2026 年 3 月，一篇论文 "Brevity Constraints Reverse Performance Hierarchies in Language Models" 发现：在某些基准测试中，约束大模型输出简洁性反而提升了 26 分的准确率。这为 caveman 这类项目提供了学术支撑：冗长并不等于准确，简洁也不等于肤浅。

从更大的视角看，caveman 的走红反映了一个趋势：AI 编程工具正在从「能跑就行」走向「高效、经济、精准」的精细化阶段。Token 计费压力、上下文窗口限制、实际开发效率需求，共同推动着「AI 输出压缩」从一个玩笑变成刚需。

如果你是：

• AI 爱好者：caveman 是理解 LLM 能力边界的有趣实验——它证明同一个模型「怎么说话」对用户体验影响巨大
• AI 开发者：直接安装试试，/caveman-stats 会告诉你每个月帮老板省了多少钱

官网: https://getcaveman.dev/
许可证: MIT
主语言: JavaScript（Node.js ≥18）
Stars: 63,926 | Forks: 3,591（数据截至 2026-05-23）