逼AI当山顶洞人!Claude防话痨插件爆火,网友:受够了AI废话

来源：新智元

编辑：硕博生活圈

最近，一个叫「caveman」（穴居人）的Claude Code插件，在Hacker News炸了。

先看一张图。

从这条GitHub star增长曲线来看，「JuliusBrussee/caveman」在最初很长一段时间里几乎只是缓慢爬升，随后陡然上扬：

「穴居人」省Token技能爆红！

caveman一夜爆火背后，其实是一次典型的社区情绪共振。

它意味着「AI Yap（废话连篇）」，这个看上去很小、却让无数人早已破防的痛点，再次被人精准地捅破了。

很快就有网友把caveman称作「2026年最厉害的提示词技巧」，称它能够砍掉浪费在「我很乐意帮你」这种礼貌和铺垫上的token。

这个插件干的事其实很简单：让AI agent像洞穴人一样说话。

删掉「the」「please」「thank you」……删掉一切不影响技术含义、却不断吞噬token的「人类客套」。

https://github.com/JuliusBrussee/caveman

项目出自开发者Julius Brussee之手，GitHub仓库名为「JuliusBrussee/caveman」。

Julius在README里抛出的核心问题也非常直接：为什么少量token能说清楚的事，要用那么多token去说？

这是一款同时适配「Claude Code」和「Codex」的技能/插件。

它的核心思路是让智能体像「原始人」一样开口，在不牺牲技术准确性的前提下，把输出压缩到极致，并声称可将token消耗降低约75%。

问题也随之而来：删掉冠词和礼貌用语，真的就能为用户省掉四分之三的钱吗？

caveman到底怎么「省」的？

打开它的核心文件SKILL.md，内容确实不长。

https://raw.githubusercontent.com/JuliusBrussee/caveman/main/skills/caveman/SKILL.md

文件frontmatter直接把它定义成「Ultra-compressed communication mode」（超压缩通信模式）。

并写明：

当用户说出「caveman mode」「talk like caveman」「use caveman」「less tokens」「be brief」，或调用「/caveman」时启用。

当用户明确要求更高token效率时，也可自动触发。

它节省「token」的规则也非常简单粗暴：别用冠词，别说废话，别客气；技术术语和代码块保留，其他能砍就砍。

比如，不要这样写：「当然！我很乐意帮你。你遇到的问题，很可能是由……引起的……」

而是要这样写：「Bug在认证中间件。Token过期判断用了<，没用<=。改这里：」

它支持三档强度级别：lite、full（默认）、ultra。

• lite：去掉填充词和犹豫表达。保留完整句子和正常书面感。专业、简洁；

• full：进一步压缩表达，可省略部分虚词，允许碎片句，使用短词替代。典型caveman风格；

• ultra：大量缩写，如DB、auth、config、req、res、fn、impl；尽量去掉连接词；用箭头表达因果，如「X→Y」；能用一个词说明，就不用两个词。

举个例子：

lite：「连接池会复用已经打开的数据库连接，而不是每次请求都新建一个，从而避免重复握手开销。」

full：「连接池复用已打开的DB连接。不是每个请求都新建。省掉握手开销。」

ultra：「连接池=复用DB连接。跳过握手→高并发更快。」

当然，遇到安全警告、不可逆操作确认、多步骤流程、或用户明显已经困惑时，清晰表达仍然优先。这也是SKILL.md里明确写出的例外逻辑。

没有模型架构改动，没有推理机制层面的压缩，caveman的本质就是一条精心编写的system prompt，约束的是AI的输出风格。

更关键的一点：作者Julius Brussee本人在HN讨论帖里主动澄清了，这个skill不针对hidden reasoning tokens和thinking tokens。

模型在后台「想」的过程并不会因为caveman自动变短，它主要压缩的是最后说出来的那部分。

Anthropic官方文档也提到，skills的名称和描述本身会占用上下文预算。

换句话说，加载caveman这个skill本身就要消耗token。

所以端到端的真实成本节省，未必等于README里那个醒目的「75%」。

因此，caveman很可能显著压缩了可见输出长度，但这不应被直接理解为同等比例的总成本下降。

从仓库公开内容看，作者确实提供了benchmark脚本，也在README里列出了若干任务的token对比，区间从22%到87%，平均65%。

但截至目前，公开仓库里能直接看到的是测试脚本和示例表格；外界仍难以仅凭仓库当前内容完整复核每一项结果的复现实验链条。

作者在HN帖子里表示：这只是初步测试，不是严格的基准测试。

不过，「简洁表达是否会伤害AI性能」这个问题，学术界确实有人研究过。

https://arxiv.org/pdf/2401.05618

2024年的论文《The Benefits of a Concise Chain of Thought on Problem-Solving in Large Language Models》显示：

当研究者要求模型使用更简洁的推理链时，GPT-3.5和GPT-4的平均回答长度下降了48.70%，而整体解题能力几乎没有明显下降；但在数学题上，GPT-3.5的表现平均下降了27.69%。

2026年的论文《Brevity Constraints Reverse Performance Hierarchies in Language Models》则更进一步指出：

在部分基准上，对大模型加入简洁约束，准确率可提升26个百分点，甚至可能改变不同规模模型之间原本的表现排序。

https://arxiv.org/pdf/2604.00025

以上两篇论文，为「简洁未必伤性能」提供了研究背景。

但必须说清楚：它们研究的是brevity作为通用提示策略的效果，不是对caveman这个GitHub仓库的专项评测。

README引用这些研究，最多只能说明它的思路并非毫无理论背景，不能直接当作对项目自身效果的严格验证。

    第一时间获取干货资讯

本硕博学习工作生活群

加入

本文来源：除特别注明原创授权转载文章外，其他文章均为转载，版权归原作者或平台所有，仅用于学术分享。如有侵权请联系小编删除，谢谢。编辑：公众号硕博生活圈