企业官网建设流程全解析

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 token，caveman 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：/caveman（20 token）、/ultracave（14 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 Recovery（CCR）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 = 0.82）；
• Elasticsearch 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-open）；
• caveman-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 agent（Claude 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"：

1. 2026 年 4 月以玩笑开场，README 里自己都写着 "Started as a joke in April 2026"；
2. Hacker News 登顶：以 904 分拿下当日第一，技术圈第一波口碑由此爆发；
3. 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；
4. GitHub Trending #1（2026 年 7 月），随后 star 数突破 10 万，Trendshift、Product Hunt 相继上榜；
5. 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；
6. 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