JuliusBrussee/caveman

解决什么问题

Agent 会话里的 token 往往不是花在回答上：冗长的解释、整段贴回的日志和 JSON、同一条命令输出被反复重读，才是主要开销。光加一句「请简洁」到不了这些地方。Caveman 是一个技能加本地代理，装进已有编程 Agent 里，回答侧和输入侧一起压缩。

有什么不同

常见的省钱做法有两类：一是纯提示词，比如只装 /caveman 技能；二是通用 LLM 网关，夹在你和 API 之间，但看不到工具调用。Caveman 接进 Agent 运行时（README 称支持 30+ 个），因此能在模型读之前压缩工具输出和日志——「整场会话输入 token 少 33.2%」来自这一层，不是靠说话风格。真正有差异的有三点：基于 ASD-STE100 受控英语的结构化短答规则，代码、命令、报错原文逐字不动；Blocks 代码模式让 Agent 保留并复用写过的脚本，而不是每次重新获取输出（README 称一次测试从 397 token 降到 76）；以及按请求自动选模型和推理强度的 Auto。它还明确不改写你的提示词，理由是外部研究显示这样会适得其反——这比多数提示词裁剪工具更有分寸。

适合谁

按量计费跑长时间 Agent 会话、或经常被测试输出和日志撑爆上下文的开发者。按席位付费但上下文压力大的团队也有收益。用 GitHub Copilot 这类按请求计费的人可以跳过——README 自己承认短回答在这种情况下不省钱。需要提示词可审计、完全确定的人也别用：一个改写输入的代理就在你的信任链上。

上手成本

要求 Node.js 22.13+，安装命令是 npx @caveman-ai/cli@latest，另提供 shell 和 PowerShell 一行脚本覆盖更多 Agent。Apache-2.0 许可。全程本地运行，用你自己的 key 和 Claude Pro/Max 登录。风险在于：语音规则本身约 1,160 token 输入，收益取决于会话长度；只有 Auto 需要免费账号；README 里的部分数字是阶段性结果，有些模块明确标注「未测量」。外部验证倒是存在（Adobe Research 论文、JetBrains A/B、Elastic 的实践文章），在这类项目里并不常见，值得纳入考量。

点评

项目 203 天，约 11.48 万 star，但趋势榜显示最近两天日增仅两百出头——4 月 HN 榜首（904 分）的势头已经转成维护期。README 里专设「诚实数字」文件并引用外部评测，说明维护者在乎结论可验证，这对一个梗味很重的省 token 项目来说很难得。65% 这个头条数字其实是几块分开测的结果之和，每块都有自己的前提。建议先免费试技能，看短回答是否合你的工作流，再决定是否让代理层进入你的工具链。