用穴居人语法砍掉65%Token：这个Go项目凭什么冲上GitHub榜首

Caveman是一个用Go编写的AI编程代理中间件，通过将提示词和输出压缩为“穴居人语体”来削减约65%的Token消耗。它支持30多种代理、原生包装10种主流工具，并获得Adobe Research论文与JetBrains实测背书，证明在几乎不损失代码质量的前提下可降低1.4至3倍成本。

适用人群：重度使用Claude Code、Cursor等AI编程代理并关心API账单的开发者；需要在大规模代码库中批量运行代理的工程团队；对提示词压缩与LLM成本优化感兴趣的技术研究者。

适用场景：日常使用Claude Code或类似代理进行代码生成与重构时，通过代理层自动压缩上下文；在CI/CD流水线中批量调用LLM执行代码审查或测试生成，显著降低Token费用；作为中间件接入现有AI工具链，在不改动业务代码的前提下实现成本削减。

推荐理由：Caveman用极简的“穴居人语体”思路切中了LLM成本痛点，且经过Adobe Research论文与JetBrains 86项真实任务验证，质量损失可忽略。对于任何按Token付费的编程代理用户，它都是一个低风险、高回报的优化层，值得立即尝试。

项目定位与背景

Caveman诞生于一个直白的观察：AI编程代理按Token计费，却写得像不知道这件事。项目名取自“穴居人”，核心口号是“why use many token when few token do trick”。它并非另一个编程代理，而是一个代理之上的压缩层，通过让AI用极简、破碎但语义完整的“穴居人语体”交流，把每次请求的Token量砍掉约65%。项目在GitHub Trending登顶，Hacker News获得904分，Product Hunt当日第八，并被Adobe Research论文CAVEWOMAN引用，实测成本降低1.4至2.4倍，最高3倍。

核心功能与技术架构

Caveman以Go语言实现，提供CLI与中间件两种形态。CLI通过npm包@caveman-ai/cli分发，中间件同时发布在npm和PyPI上，方便不同技术栈接入。其工作方式是在用户与代理之间插入一个透明层：对输入提示进行语体压缩，对模型输出进行反向解析，确保代码、命令和结构化数据不受影响。项目原生包装10种主流代理，兼容30多种代理工具，覆盖Claude Code、Cursor等常见环境。安装后无需修改业务代码，代理层自动完成Token削减。

创新点与亮点

第一，语体压缩而非截断。Caveman不删除信息，而是改变表达方式，用更少的词承载相同语义，因此不会像简单截断那样丢失关键上下文。第二，实证背书扎实。Adobe Research论文独立测量了成本收益，JetBrains在86个真实编码任务上验证“质量无可测量损失”，这比单纯宣称“省Token”更有说服力。第三，工程实现轻量。Go编写的核心层性能开销小，中间件模式对现有工具链侵入性低。第四，社区传播力强。ThePrimeagen的反应视频“No way this actually works”进一步推高了项目热度，形成技术圈自传播。

与同类项目对比

市面上多数Token优化方案集中在提示词模板精简、上下文窗口裁剪或缓存复用上。Caveman的差异在于它把“语体”本身作为压缩维度，且不依赖特定模型或代理。与简单的提示词压缩工具相比，它提供完整的代理包装与中间件生态；与代理内置的上下文管理相比，它跨代理通用，不绑定单一供应商。其MIT加BSL的混合许可证也允许商业使用，但需注意BSL部分的限制条件。

上手指南或快速开始

最快的方式是通过npm安装CLI：npm install -g @caveman-ai/cli，然后运行caveman wrap <你的代理命令>即可启动包装模式。若需集成到现有应用，可安装@caveman-ai/middleware或caveman-middleware，在请求链路中插入中间件。项目提供INSTALL.md详细说明30多种代理的接入方式。建议先在低风险任务上对比压缩前后的输出质量与Token账单，确认效果后再推广到生产流水线。

总结与展望

Caveman用一句玩笑式的口号切中了LLM应用的真实成本痛点，并以扎实的实证和轻量的工程实现赢得了社区认可。它的局限在于语体压缩对某些需要详细解释或自然语言交互的场景可能不够友好，且BSL许可证对商业使用有额外约束。但作为代理层的一个可选优化，它几乎无侵入、可回退，值得任何按Token付费的开发者尝试。未来若能将压缩策略进一步自适应到不同任务类型，其价值还会继续放大。

查看 GitHub 项目 →