被 36 氪点名逼 AI 当山顶洞人caveman 为什么连主流媒体都坐不住了【免费下载链接】caveman why use many token when few token do trick. Viral skill proxy for coding agents that cuts 65% of tokens by talking like a caveman.项目地址: https://gitcode.com/GitHub_Trending/caveman1/caveman一个本该只在 GitHub 上自嗨的开源项目最近却被 36 氪以逼AI当山顶洞人为题推上了大众视野。这篇报道的标题里藏着两层信息一是 caveman 让 AI 用山顶洞人式的极简语言回答技术问题二是评论区里大量网友的共鸣——受够了 AI 废话。当一个由 19 岁开发者做出来的防话痨玩笑项目能让一贯关注商业与产业的主流媒体专门发文背后其实是整个 AI 编码工具生态的一个转折信号用户开始为 token 付费也开始为 AI 的废话付费。本文结合社区情报与仓库源码拆解 caveman 为什么能从一个玩笑变成现象级项目以及主流媒体入场意味着什么。一、36 氪的报道从防话痨插件到受够了 AI 废话36 氪对 caveman 的报道被 Google News 收录时使用的标题是逼AI当山顶洞人Claude防话痨插件爆火网友受够了AI废话。仅从标题就能读出三层态度防话痨把 caveman 定位成 Claude Code 的插件/技能功能是约束 AI 少说话山顶洞人抓住了项目最出圈的梗——why many token when few do trick何必用一堆 token几个就够这在 README.md 开篇就是项目的自我定位受够了 AI 废话这是 36 氪借网友之口给出的社会情绪判断——大众对 AI 助手冗长、客套、绕圈子的回答已经产生了普遍的付费与阅读双重疲劳。在此之前中文互联网对 caveman 的传播主要停留在技术圈CSDN 上出现了极简架构与 Token 优化实战caveman proxy 详解Caveman Skill 完整使用手册等一系列实操文章知乎、掘金等平台则以AI 编码代理Token 压缩为主题讨论。而 36 氪的报道标志着议题从开发者工具上升为大众消费现象——这不再是某个效率工具很好用而是连主流媒体都开始讨论 AI 到底该说多少话。二、它到底做了什么一个少说话的编码代理caveman 的核心其实很简单它不是新的模型也不是新的 IDE而是一套约束 AI 编码代理怎么说的规则 一个压缩AI 读什么的本地代理。项目的完整定义写在 skills/caveman/SKILL.md 里Caveman is a voice, not broken grammar. Reader pays per token and reads in a terminal. Every word earns its place. Every fact survives.它不靠破坏语法来省 token而是靠一套明确的写作纪律。SKILL.md 里最核心的几条规则Answer first先给答案再给原因最后给下一步。删掉开场白、客套和复盘Kill ceremony禁止 Sure!、Let me、Hope this helps 这类纯仪式性措辞Payload verbatim代码、命令、路径、错误信息逐字符保留一个字符都不能改Articles optional, meaning never冠词可以删但not、never、no、only、except一个都不能少数字和单位必须精确One idea per sentence以航空维修手册使用的受控英语 ASD-STE100 为底线每句不超过 20 词Never perform caveman不为像山顶洞人而刻意加词如果简洁的正常英语更短就用正常英语。这套规则的直观效果README 里用同一个 React 问题做了对比普通回答 63 个 tokencaveman 回答 20 个 token——New object ref each render, so React re-renders. Wrap the prop inuseMemo.结论完全一致。项目还提供了三档强度/caveman20 token、/ultracave14 token、/megacave文言文模式13 token用户可以按可读性 vs 极限压缩自由选择。三、数字说话token 到底省了多少caveman 之所以能火靠的不是概念而是可复现的数字。仓库里有一套完整的评测体系evals/README.md 与 benchmarks/并且在 docs/HONEST-NUMBERS.md 里专门开了一页诚实数字主动标注哪些场景不省钱。输出侧skill 压缩 AI 说的话在 claude-opus-5-5 上跑 10 个真实开发问题的评测中不加任何指令输出 6,983 token加一句Answer concisely.是 4,334/caveman是 4,119/ultracave压到 2,693——也就是说在已经要求简洁的基础上ultracave 中位数还能再省 35%。输入侧proxy 压缩 AI 读的文件这是 caveman 的第二块石头。代理把 CSV、日志、YAML、测试输出、JSON 压掉 98.5% 到 99.1%28,041 token 的 CSV 变成 314整个 Claude Code 会话平均省 33.2% 的输入 token且基准测试中 18 个问题全部回答正确。这套压缩后还能通过 Caveman Context RecoveryCCR按需恢复原始字节保证压坏随时可回退。下图是caveman learn生成的分析报告它把 token 花在哪、可以省在哪一屏展示清楚第三方验证是 caveman 敢于喊数字的底气Adobe Research在 2026 年 6 月的论文 CAVEWOMAN引用本项目中用八个模型、五个数据集验证了caveman 式输出能削减 1.4 到 2.4 倍成本JetBrains用 86 个真实编码任务做了配对 A/B 测试结论是没有任何可测量的质量损失p 0.82Elasticsearch Labs把 caveman 模式移植到 Elastic 的八个真实 MCP 场景响应 token 减少 63.6%且声称零信息损失。但更难得的是它的诚实HONEST-NUMBERS.md 明确列出何时 caveman 是亏的——比如按请求计费的 GitHub Copilot回答短了但请求次数不变、短任务里规则注入本身消耗的输入 token、以及一个无法复现的 Cursor A/B 反例token 不减反增。这种输的场合也写出来的做法在营销驱动的开源生态里几乎是稀缺品也是它能赢得 JetBrains、Adobe 这类机构级信任的原因。四、不止一个 skill它其实是一整套本地代理架构很多人把 caveman 理解成一个提示词技巧但仓库里实际是一个完整的本地运行时。文档 docs/technical/architecture.md 给出了清晰的进程分工cavemanCLI安装、配置、启动代理caveman-proxy运行在本机 loopback 上的 HTTP 代理负责路由、鉴权、请求改写、用量记录caveman-engine负责内容检测与压缩通过 engine/detect.go 里确定性规则把输入分类为 JSON、日志、代码、diff、终端输出等类型再路由到对应压缩器识别不出的内容一律按保守的text处理fail-opencaveman-mcp把 Engine 的五个工具Compress/Retrieve/Detect/Stats 等通过 MCP 协议暴露给代理内部使用cavemem、caveman-browse、caveman-shrink分别负责记忆检索、网页压缩读取和工具目录压缩。这套架构的关键设计是只换 base-URL不换 agent 循环代理通过把 provider 端点改到本地 loopback 上接入原有 agentClaude Code、Codex、Gemini CLI、Aider 等 30一行不改。所有数据留在本机SQLite 记录用量密钥用系统 Keychain 保存skill 本身运行在本地、什么都不外发。五、出圈路径复盘从 GitHub 榜单到中文大众媒体caveman 的走红轨迹几乎完整覆盖了开源项目的出圈教科书2026 年 4 月以玩笑开场README 里自己都写着 Started as a joke in April 2026Hacker News 登顶以 904 分拿下当日第一技术圈第一波口碑由此爆发KOL 带货ThePrimeagen 的标题是 No way this actually works这不可能真的有用——怀疑本身就是最大的流量GitHub Trending #12026 年 7 月随后 star 数突破 10 万Trendshift、Product Hunt 相继上榜中文技术圈跟进CSDN 在 2026 年 9-10 月密集产出极简架构与 Token 优化实战proxy 详解token 观测与优化中间件等系列实操文GitHub 日榜相关总结也开始把 caveman 列为约束 AI 行为的轻量规则集代表大众媒体入场头条系出现8.4 万星19 岁开发者砍掉 75% token等传播性标题最终 36 氪以山顶洞人的戏谑框架完成向大众的最后一跳。下图是仓库自带的 star 历史曲线可以直观看到这个项目在 2026 年的爆发节奏——从谷底到峰值几乎是垂直拉升有意思的是中文媒体的标题其实在夸大与事实之间反复横跳有的说砍 65%有的说砍 75%有的说 8.4 万星、8.6 万星、10 万星——数字口径不一致恰恰说明传播正在脱离技术语境。而 36 氪的报道之所以显得坐不住是因为它嗅到了选题背后的普遍情绪用户厌倦的不是 AI 能力不够而是 AI 输出过剩。六、主流媒体入场的信号意义36 氪关注 caveman信号价值大于事件本身。它意味着AI 太啰嗦已经从工程师的吐槽升级为大众共识按 token 计费的时代每一句 Let me think about this 和 Hope this helps 都要用户真金白银地买单。caveman 提供的不是新的推理能力而是一种对 AI 输出的话语权回收——它告诉模型你只需要回答不需要表演。更深一层caveman 的走红也验证了三个判断效率工具正在经历供给侧转向当模型能力同质化谁先解决输出成本谁就能出圈诚实是新的竞争力一个愿意公开何时不省钱的项目反而比宣称万能省钱的项目获得更多机构级背书Adobe、JetBrains、Elastic本地化与隐私重新成为卖点代理、密钥、数据全留在本机契合了企业用户对AI 编码进生产的安全焦虑。回到 36 氪那个标题——逼 AI 当山顶洞人。这不是讽刺而是对 caveman 哲学最精炼的概括在 token 即货币的世界里把 AI 的话说到最少、最准、最不可被误解恰恰是最现代的做法。项目自己的总结已经写在了 README.md 里why many token when few do trick.——话越少思考越多这就是 caveman 留给整个 AI 编码生态的启示。【免费下载链接】caveman why use many token when few token do trick. Viral skill proxy for coding agents that cuts 65% of tokens by talking like a caveman.项目地址: https://gitcode.com/GitHub_Trending/caveman1/caveman创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考