夜雨聆风我要先坦白一件事。
上个月我的Claude Code月账单，翻了一倍。
一倍。
不是因为我写了三倍的代码，是因为Claude太礼貌了。
你用Claude Code你就知道，它回答一个Bug问题，能给你写篇小作文。先帮你分析可能的原因，再说三种可能性，然后推荐一个解决方案，最后还附上一句「希望这些信息对你有帮助」。我每次看到这句话就头大。
举个例子。我问它一个React组件为什么重复渲染。69个token就能说清楚的事，它非要用150个token给你上课。不是说不清楚，是太想给你讲清楚了。它觉得讲得越完整越负责任，但对我来说，大多数时候我只想知道一件事，Bug在哪，怎么改。
这个问题困扰了我很久，但我一直觉得这就是AI的「天性」，改不了。
上周三晚上，我盯着月度账单条形图看了两分钟，鬼使神差的打开了GitHub Trending。
第一条就把我看愣了。
一个石头emoji图标的项目，名字叫Caveman。标语一行英文，「why use many token when few do trick」。翻译成人话就是，少说废话多干活。49天，63k stars。日均增长1300+，这个增速放在GitHub历史上能排进top级别的开源爆款。
我点进去看了十分钟，然后直接装了。
它的功能就一件事，让你的AI说话像穴居人。技术准确性完全不掉，但词全部砍到最短。README直接给了Before和After对比，我看完先笑了一下，然后认真了。
还是那个React组件重复渲染的Bug。
Normal Claude这么说：
你的React组件之所以会重新渲染，很可能是因为你在每一个渲染周期中都创建了一个新的对象引用。当你将一个内联对象作为props传递时，React的浅层比较机制会认为它在每一次渲染时都是一个不同的对象，从而触发重新渲染。我建议你使用useMemo来对该对象进行记忆化处理。
69个token。
Caveman Claude这么说：
每次渲染生成新对象引用。内联对象属性等于新引用等于重新渲染。用useMemo包裹。
19个token。
同一个Bug，同一个解决方案。准确性100%保留，token省了72%。
我后来又试了个中文场景。正常Claude会说「这个问题的根本原因可能在于你的认证中间件没有正确校验token的过期时间」，Caveman直接给你「auth中间件token过期判断错。改成小于等于」。
意思一点没丢。语气全部砍掉。
我当时心里咯噔了一下。不是因为省了多少钱，是因为我突然意识到，过去几个月我跟Claude的所有对话里，有多少token是花在「礼貌客套」「铺垫语气」「把话说完整漂亮」上面的？三成？可能不止。
说到这里你可能好奇，这个Caveman到底什么原理。
其实就是一个Claude Code的skill插件。装完之后不需要每次都在prompt里写「请简洁回答」，AI自动用穴居人语法说话。一次配置，永久生效。
它不是一刀切。作者给了四个档位，你自己选。
第一个叫concise，简洁模式。正常说话但砍掉废话。从「我建议您考虑使用useMemo来优化性能」变成「用useMemo优化」。省大概30-40%的token。适合日常使用，不会让人觉得奇怪。
然后是caveman模式。这才是本体。AI直接变成一个只会蹦短句的原始人。「新对象引用导致重新渲染。用useMemo。」到这一步已经能省65%左右了。日常代码review、Bug定位、配置修改，这种场景完全够用。
第三个叫pirate。对，海盗模式。AI会用海盗腔调回答问题。说真的我不太理解为什么有人需要这个，但它就是存在。可能作者自己觉得好玩就加上了。
但真正让我多看了两眼的，是最后一个。
Wenyan。文言文。
我第一次看到这个选项的时候，以为是个玩笑。
但我认真想了一下，发现这个作者下了真功夫。
中文的现代汉语本身就比英文费token。因为分词模型对中文不友好，一个中文字可能要拆成两三个token。但文言文不一样。「夫子曰」三个字顶白话十几个字。对tokenizer来说，文言文是天然省token的。
我试了一下。问Python里list和tuple的区别。正常Claude会说「list是可变的，可以增删改查，tuple是不可变的，一旦创建就不能修改……」一大段。Wenyan模式直接给我吐出来
list可变，tuple不可。前者增删改皆可，后者一经定，终身不易。
讲道理，这种风格用来回答技术问题，居然意外地清爽。
我后来用wenyan模式跑了两天，做了个粗略统计。同样的代码review任务，开caveman之前平均每次2400 tokens左右，开了之后800上下。降幅大概65%到75%。跟README里标的数字基本对得上。
但说到这里我想停下来聊点别的。
Caveman让我觉得有意思的地方，不是省了多少钱。
是这件事背后的逻辑。
正常人做prompt工程，路径是这样的。写更精准的指令，给更具体的范例，限制更明确的格式。这一套是在「告诉AI怎么理解」。你花了很多时间在教AI听懂你。
Caveman反过来。它直接改了AI的「输出习惯」。你不需要教AI怎么听懂你，你教它怎么说话就行。
这其实是个挺重要的转变。
我们一直在想怎么让AI更懂我们。Caveman提供了一个反方向。与其让AI更懂我们，不如让AI按我们能用的方式说话。
你想想看，现在AI最大的问题是什么。不是它不够聪明，是它太「礼貌」了。它总想给你一个完整的、漂亮的、面面俱到的回答。但绝大多数时候你要的不是一篇小作文，你要的就是一句话。Bug在哪，怎么改，完事。
Caveman这种工具，就是用户在用一种meme的方式告诉AI，别按你以为漂亮的方式说话，按我能用的方式说话。是用户在主导沟通规则，不是模型。
我觉得这才是它49天爆了63k stars的真正原因。不是因为它省token，省token的工具一抓一大把。是因为它说出了很多人心里的那句话，AI你能不能少说两句。
顺着这个再聊一点。同一天我还看到了另一个开源项目，叫skill-cleaner。OpenClaw那个龙虾之父Peter做的。干的活不一样但思路相似。Caveman是给AI的嘴减肥，skill-cleaner是给你的AI技能库减肥。它帮你审计每个skill的token预算，检测重复技能，精简描述。有用户说把技能描述从90多词砍到40词以内，AI选技能的准确率反而提升了。
一个管AI怎么说，一个管AI怎么选。两个方向，同一个目标，让你的AI少做那些没用的事。
当然了，丑话说在前面。
Caveman只省output token，input不省。你发给Claude的代码、文档、上下文，该多少token还是多少token。如果你的输入本身就大，省的那部分占比没有你想象的那么夸张。
然后复杂推理场景它hold不住。简单的Bug定位、概念解释、配置修改完全没问题。但碰到那种「帮我分析这段代码可能的并发问题，给出三种不同的修复思路」，穴居人语法就太单薄了。这种时候你还是得切回正常模式。
还有文言文模式。它吃文化背景。「list可变，tuple不可」这种半文半白的表达，对老开发者无所谓，对入门用户可能反而是阅读门槛。团队协作场景里我建议慎用，自用爽就行。
说真的，装上Caveman之后我想了很多。
我们花了很多时间在琢磨怎么写更好的prompt，怎么让AI更聪明，怎么让它更理解我们的意图。但也许我们忽略了一个更基本的问题。AI说的话，有多少是我们真正需要的？
如果一次对话里三成token是废话，那不是AI的错。是没有人从输出端去约束过它应该怎么说话。
Caveman用一种很meme的方式提醒了我们这件事。63k stars的爆火本身就说明，这个问题戳中了很多人。
工具越来越多，功能越来越强。但真正省时间的，从来不是让AI说更多话。是让它少说那些没必要的。
想装的话GitHub搜Caveman就行，一行命令搞定。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章，我们，下次再见。
/ 作者：夏尔AI
/ 邮箱：435452239@qq.com
