JuliusBrussee/caveman

它解决了什么

Caveman 减少了 AI 代理使用的 token 数量，降低成本，并可能在不牺牲答案质量的情况下提高速度。它同时针对输出（代理说的话）和输入（代理读取的内容）。

它的运作方式

Caveman 采用两种主要机制来减少 token 使用：

1. 技能（输出缩减）： 它为代理的响应强制执行一种特定、少用行话的“穴居人风格”语气。这种语气遵循严格规则（例如，先回答、每句一个想法、不问候或回顾），基于 ASD-STE100 受控英语。它确保代码、数字和单位等基本信息保持精确，同时去除对话性的填充内容。
2. 代理（输入缩减）： 一个本地代理，压缩代理读取的数据。它显著缩小如 CSV、日志、YAML 和 JSON 等嘈杂文件，并通过 caveman browse 提供压缩的网页，而不是完整的 HTML 转储。

适用对象

使用 AI 代理（如 Claude Code、Cursor、Windsurf 和 Copilot）的开发者，以及通过 SDK（TypeScript 和 Python）构建自己的代理的开发者，希望降低 LLM API 成本和 token 限制。

亮点

• 显著的 token 节省： 根据 Adobe 和 JetBrains 的研究，在整个会话中减少高达 33.2% 的输入 token，并将输出 token 减少 1.4 到 2.4 倍。
• 广泛兼容性： 适用于 30 多种代理，包括 Claude Code、Gemini CLI 等。
• 可扩展的 SDK： 为 Vercel AI SDK、LangChain、OpenAI 和 Anthropic 调用提供中间件。
• 保留数据的压缩： 代理将日志和 JSON 缩小超过 98%，同时保持答案准确性。
• 专门的命令： 包含如 /caveman-commit 用于一行提交，以及 /caveman-review 用于简洁的代码审查等工具。