Caveman实测：AI“穴居人式”说话仅省8.5% Token（宣传65%）
在AI开发工具的圈子里，最近出现了一类被称为“电报体Skill”的提示词配置，核心要求是让AI尽可能精简输出，砍掉所有冗余表述，只保留核心信息。这种思路其实源自早年的电报通讯——当年为了节省资费，人们必须用最少的文字传递完整信息。
我们小时候的语文课上，老师曾布置过一个经典练习：家人在外工作，得知母亲生病需要赶回家，如何用最少的字拟发电报。经过多次精简，最终最标准的版本是四个字：“母病速归”。再多删一个字就会丢失关键信息：只写“母病”，收报人不知道该做什么；只写“速归”，又不清楚具体缘由。当年每一个字都要花钱，惜字如金是生存必需的选择。
如今，这种说话方式借着AI Agent的Skill又重新流行起来。GitHub上有一个名为Caveman的开源项目，就是这类工具的典型代表。该项目由荷兰莱顿大学一名19岁学生开发，2026年4月初上线后迅速登上GitHub趋势榜榜首，截至当年7月12日，已经获得了约8.85万颗星标。它的核心功能非常简单：给Claude Code、Codex等AI编程工具添加一段提示词，让Agent像原始人一样交流——删掉冠词、客套话和连接词，只保留技术核心要素。
比如常规的技术回复可能是“The issue is caused by a new object reference being created on every render...”，而使用Caveman模式后，就会被压缩为“New object ref each render. Wrap in useMemo.”。
该项目的README声称可以大幅压缩输出Token，最常提及的节省比例是65%，听起来效果惊人。但实际使用中，这类工具的省钱效果往往远低于宣传数据，专业技术测试团队就专门针对这一点做了对照实验。
测试团队使用Claude Code运行SkillsBench中的86个真实编程任务，分别安装Caveman插件和不安装，保持任务、模型、配置和预算完全一致。整个实验分为三轮，共进行了约240次计费测试，总花费约106美元。为了让Caveman发挥最大效果，测试强制它在每一次回复中都生效，这已经是该工具能达到的最佳表现场景，而非日常使用的平均水平。
最终的测试结果和宣传数据相差甚远：宣传称可节省65%的输出Token，但实际大样本测试仅节省了8.5%。具体来看，输出Token总量从约59.2万下降到54.2万，有效配对任务共82组。
由于每一次回复都被强制压缩，这个8.5%已经接近该工具的节省上限，日常使用中插件还需要自行判断是否触发，实际节省比例通常会更低。值得一提的是，测试团队没有发现任务质量出现显著下降：82组配对任务中，64组结果完全相同，Caveman模式下有8组结果更好，10组结果更差，整体差异在统计上并不显著。也就是说，这个工具并没有让AI编程Agent变笨，只是夸大了省钱的效果。
AI编程Agent的Token消耗，大头不在自然语言回复
为什么宣传的65%节省会缩水到8.5%？这是因为65%的节省比例主要来自普通聊天场景。当你向普通聊天AI提问时，模型往往会加上“当然可以”“很高兴帮你”这类客套铺垫，砍掉这些内容确实能省下不少Token。但AI编程Agent和普通聊天机器人完全不同，它的Token消耗大头根本不是自然语言回复，而是其他几个部分：
- 系统提示词和不断累积的上下文
- 代码、文件内容和搜索结果
- 工具调用及返回结果
- 各种Skills和MCP工具描述
- diff、报错信息和测试日志
- 模型在多轮任务里反复读取的内容
Caveman工具主要压缩的只是工具调用之间的几句自然语言说明，而代码本身不能随意修改、命令不能缩写、错误信息必须完整保留、工具参数更不能用原始人语法简化。也就是说，它优化的部分，原本在整体Token账单里就只是零头。这就像一家公司想要压缩差旅费，却只取消了员工每天2元的矿泉水，机票、酒店和打车等大头开支分毫未动。省确实省了，但指望靠这个降低整体成本，显然不现实。
表达越精简，对默契的要求越高
电报体的精简表达并非没有代价。比如AI Agent最终只回复Fixed auth. Tests pass.，看起来非常干练，也确实节省了Token，但它没有传递任何细节：这次修复的是登录过期、权限校验还是刷新令牌？运行的是单个单元测试还是完整测试套件？有没有修改数据库结构？是否留下了兼容性风险？
这些信息不一定每次都要展开成长篇大论，但也不能因为追求“原始人风格”就一概删除。如果开发者无法理解Agent的操作细节，就只能反复追问，Agent需要重新读取文件、运行测试并再次解释，之前省下的少量Token，很快就会被新一轮的工具调用和对话消耗殆尽。
这并不意味着Caveman会导致更多返工——测试团队并没有发现这一点，但关键在于，“任务最终完成”和“过程足够透明可追溯”是两个完全不同的指标。电报体能够生效，依赖的是双方共享大量背景信息：“母病速归”四个字，收报人自然知道母亲是谁、家在何处、为何需要赶回去。但AI编程Agent面对的是不断变化的代码、陌生的仓库和临时任务，共享背景信息往往并不充足。表达越精简，就越依赖双方的默契，而当默契不足时，那些看似冗余的表述，其实就像通信协议里的纠错码，能够避免后续更昂贵的误解。正如一句话所说：
啰嗦有时不是浪费，而是为了避免下一轮更昂贵的误解。
电报体没有被淘汰，只是失去了存在的理由
电报体并没有被正式废除，只是随着时代发展失去了存在的意义。当年长途通讯按字计费，“母病速归”是最优选择；而当通讯成本降到可以忽略不计，人们自然会选择更完整的表达，比如“妈住院了，你买最早的票回来，到了给我打电话”。节省字数的优化，本就是按字计费时代的产物。当成本降低，信息完整性和沟通体验重新成为优先选项，这类优化自然就会退场。
AI的Token成本也正在走上同样的道路：模型单价长期呈下降趋势，缓存技术也让重复读取上下文的成本大幅降低。以当前某头部AI公司的提示词缓存价格为例，缓存命中的输入Token读取价格仅为普通输入Token的0.1倍，也就是便宜了约九成。当重复读取的成本已经低到可以忽略，再花大量精力把正常的自然语言压缩成电报体，收益就变得非常有限了。
真正该优化的，是上下文和无效返工
如果真的想要降低AI编程Agent的成本，更值得关注的方向并不是强迫AI少说话，而是以下几个方面：
- 少加载无关上下文。 不要一上来就把整个仓库、所有文档和历史对话塞给模型。
- 精简不必要的MCP和Skill工具。 工具描述本身也会占用上下文空间，安装的工具越多并不代表效果越好。
- 提升缓存命中率。 将稳定的系统提示词、工具定义和项目规则放入可复用的缓存前缀中。
- 减少无效的工具调用。 先定位问题再读取文件，先确定范围再运行测试。
- 选择合适的模型。 简单任务使用便宜模型，复杂任务使用更可靠的模型，减少一次返工往往比节省几句说明更有价值。
当然，Caveman工具并非不能使用。如果你喜欢简洁的回复风格，或是受够了AI Agent的客套话，它确实是一个有趣且基本无害的风格插件。但我们需要明确，不能把这种风格优化误当成成本革命。真正昂贵的成本，从来不是AI多说了几句话，而是它读取了太多无关内容，或是反复执行了相同的任务。
塔猴是一个专注于为用户提供系统学习、内容创作与商业连接的AIGC综合服务平台，致力于为每一位AI探索者打造理想的创作、成长家园。在塔猴，你不仅可以学习众多AIGC类实战课程，获得与时俱进的AIGC技能和视野，还有机会获得长期商业合作和接单机会！点击进入：https://www.tahou.com/
AI生成内容提示：本文由人工智能辅助创作，内容仅供参考，不代表平台观点。请注意核实信息的准确性，并理性判断。
