洞穴人说话省75%Token？这个AI提示词技巧火了¶
"为什么用很多词，当少词也能行？" —— 一位远古智者（其实是个程序员）
这是什么黑魔法？¶
最近GitHub上出现了一个让人忍俊不禁、又细思极恐的项目——Caveman（石器人）。
它的核心思想只有一句话：让 Claude 像洞穴人一样说话，砍掉75%的废话Token，同时保留100%的技术准确性。
项目描述是这样写的（原文就是这种风格）：
"why use many token when few token do trick" （为何用多词，当少词可以？）
听起来很蠢？先别笑。这背后有真实的省钱逻辑。
先看效果对比¶
同样是解释一个 React 重渲染的问题：
正常 Claude（69个Token）：
"The reason your React component is re-rendering is likely because you're creating a new object reference on each render cycle. When you pass an inline object as a prop, React's shallow comparison sees it as a different object every time, which triggers a re-render. I'd recommend using useMemo to memoize the object."
洞穴人 Claude（19个Token）：
"New object ref each render. Inline object prop = new ref = re-render. Wrap in
useMemo."
同样的 Bug，同样的解决方案，Token用量从69降到19，省了72%。
再看一个：
正常 Claude：
"Sure! I'd be happy to help you with that. The issue you're experiencing is most likely caused by your authentication middleware not properly validating the token expiry. Let me take a look and suggest a fix."
洞穴人 Claude：
"Bug in auth middleware. Token expiry check use
<not<=. Fix:"
第二个直接给出了问题根因，第一个先废话了30个Token才开始干活。
它是怎么工作的？¶
Caveman 是一个 Claude Code Skill（技能文件），本质上是一段精心设计的系统提示词，告诉模型在被激活时切换进"极简输出模式"。
安装只需一行命令：
触发方式很灵活，你可以说：
- /caveman
- "talk like caveman"
- "caveman mode"
- "less tokens please"
退出说："stop caveman" 或 "normal mode" 即可。
洞穴人模式删掉了什么，保留了什么？¶
这才是这个技巧最精妙的地方。它不是无脑压缩，而是有选择地删除"认知冗余"：
| 内容类型 | 洞穴人怎么处理 |
|---|---|
| 英文解释性文字 | 砍掉填充词，只留骨干 |
| 代码块 | ✍ 正常书写（洞穴人不傻） |
| 技术术语 | 完整保留（polymorphism 还是 polymorphism） |
| 报错信息 | 原文引用 |
| Git commit & PR | ✍ 正常书写 |
| 冠词 a/an/the | 全删 |
| 客套话 | "Sure, I'd be happy to" 灭绝 |
| 模糊措辞 | "It might be worth considering" 灭绝 |
简单说，它消灭的是大语言模型最爱说的那些"语言润滑剂"——那些让回答听起来更礼貌、更流畅，但对技术内容毫无贡献的词。
为什么LLM会产生这么多废话Token？¶
这是一个值得深思的问题。
大语言模型在训练时，大量学习了人类写作中的"礼貌范式"——我们写邮件、写文章、做口头表达时，会自然地加入过渡语、客套话、缓冲语气。这些在人际沟通中有价值，但在技术问答场景里，它们纯粹是噪音。
常见的"Token杀手"：
"I'd be happy to help you with that"→ 8个废Token"The reason this is happening is because"→ 7个废Token"I would recommend that you consider"→ 7个废Token"Sure, let me take a look at that for you"→ 10个废Token
每次API调用都在为这些废话付费。如果你的产品每天有几万次调用，这个损耗相当可观。
这背后的提示词工程原理¶
Caveman 的本质是一种输出约束型提示词技术，它的核心设计思路包括：
1. 角色绑定（Role Binding） 给模型指定一个极端风格的角色（洞穴人），让模型自动推断这个角色应该如何说话——简短、直接、去冠词、去礼貌语。
2. 正/负例对比（Contrast Examples） 技巧中隐含了大量"这样写 vs 不这样写"的对比，帮助模型快速校准目标风格的边界。
3. 域保护（Domain Protection） 明确声明代码块、技术术语、报错信息要"原样保留"，防止模型在极简化过程中误伤技术内容。
4. 可逆开关（Reversible Toggle） 支持随时切回正常模式，不影响其他任务。
实际收益有多少？¶
作者给出的数据：
75%的Token节省意味着： - 省钱：API成本直接砍掉四分之三 - 提速：生成的Token越少，响应越快 - 准确：技术信息无损
它能用在哪些场景？¶
适合洞穴人模式的场景：
代码调试：直接说哪里错了，怎么改
技术问答：快速获取答案，不要铺垫
代码审查：批量处理时省大量Token
自动化脚本：后端批处理，没人看废话
不适合的场景：
用户界面回复：终端用户需要友好语气
文档撰写：需要完整表达
解释性内容：新手需要更多上下文
一个更深的启发¶
Caveman 项目本身很轻量，但它揭示了一个重要的AI使用哲学：
LLM的输出风格是可编程的。
我们习惯了接受模型默认的输出格式，但实际上通过提示词，我们可以精确控制模型"怎么说"，而不影响"说什么"。这就是提示词工程的核心价值之一——不是让模型更聪明，而是让模型更高效地把聪明用在刀刃上。
洞穴人只是一个有趣的实现，但这种思路可以延伸到很多地方：
- 让模型只输出JSON，不输出解释
- 让模型用Markdown表格代替长段落
- 让模型在批处理时跳过所有元评论
Token 是钱，废话是成本。 洞穴人想通了这件事。
如何安装和使用¶
需要先安装 Claude Code CLI
项目地址：github.com/JuliusBrussee/caveman
最后¶
下次你在等 Claude 慢慢说完 "Sure! I'd be happy to help you with that, the reason this issue is occurring is most likely because..." 的时候，想想洞穴人。
洞穴人不废话。洞穴人直接给答案。洞穴人省你的钱。
如果觉得这个项目有趣，欢迎转发。下一期我们聊聊更多 Claude Code Skill 的玩法。