# Caveman：用"穴居人语言"写Prompt，Claude Code省65% Token的开源骚操作
摘要：GitHub热门项目Caveman（⭐86,848）用一种极简"穴居人语言"替代冗长Prompt，在Claude Code中节省65% Token。本文将深入拆解其设计哲学、实战效果与背后反映的AI编程Prompt工程新趋势。
一、当"话多"成为原罪
AI编程工具爆发式增长的同时，一个沉默的成本正在吞噬开发者：Token消耗。
Claude Code、Cursor、Copilot 等工具虽然强大，但每一次交互都在计费。写过复杂功能的开发者都深有体会——为了描述清楚需求，Prompt动不动就几百上千字，一次调试下来消耗数万Token是常事。攒多了，月底账单让人血压飙升。
2026年7月，一个名叫 Caveman 的项目在GitHub上横空出世，不到两周冲到 86,848 Stars，直接登顶热榜。它的核心卖点只有一句话：
> "Stop talking so much. Use caveman language."
翻译成人话：别再废话连篇，用穴居人语言下指令。
二、什么是"穴居人语言"？
Caveman 的灵感来自一个朴素观察——人类在给AI下指令时，习惯性地使用礼貌用语、解释上下文、添加修饰词、写长篇背景说明。但AI模型根本不需要这些。
举个例子，传统的 Prompt 可能是这样的：
> "Could you please help me implement a user authentication system with JWT tokens? I need it to support login and registration functionality, and the tokens should expire after 24 hours. Please make sure to handle edge cases like expired tokens and invalid credentials. Thank you!"
而 Caveman 风格的 Prompt 是：
> "make auth. JWT. login register. token expire 24h. handle bad token bad password."
这两者在 Claude Code 中的执行效果几乎完全一致，但后者省了 65% 的 Token。
Caveman 项目本质是一个 Claude Code 的 Skill 插件，它做三件事：
1. **教你一套"穴居人语法"**：去掉冠词、介词、情态动词、敬语，用动词-名词短句替代完整句子。
2. **内置转换规则**：当你习惯性写出复杂 Prompt 时，自动给出精简建议。
3. **量化省钱**：每次交互后显示 Token 节省量和预估费用差。
三、设计哲学：极简主义的胜利
Caveman 的核心理念可以总结为三条原则：
原则一：AI不需要礼貌
"Please""Could you""Thank you"这些人类社交润滑剂对AI来说只是噪音。模型不关心你的礼貌程度，它只关心指令的明确性。
原则二：精确 > 完整
写 Prompt 不是写作文。信息密度远重要于信息完整性。三个精准的动词远胜过一段优美的段落。Caveman 提倡"电报体"——每个词都有其不可替代的信息价值。
原则三：代码思维写指令
程序员天然具备"用最少字符表达最精确语义"的能力——这是专业素养的一部分。Caveman 不过是把写代码的思维方式迁移到了写 Prompt 上：变量名要短但有意义、逻辑要直接不绕弯、注释只写必要的。
四、实战效果有多猛？
根据项目作者的实验数据：
| 场景 | 传统Prompt Token | Caveman Token | 节省比例 |
|---|---|---|---|
| 实现REST API | 847 | 296 | 65% |
| 数据库模型设计 | 623 | 218 | 65% |
| 前端组件开发 | 1,234 | 432 | 65% |
| Bug修复指令 | 456 | 152 | 67% |
| 代码重构 | 892 | 304 | 66% |
换算成钱，假设使用 Claude Sonnet 模型（$3/百万输入Token），一个每天和 Claude Code 交互 100 次的开发者，使用 Caveman 后每月可节省约 $15-30。团队规模越大，累计效应越明显。
但省钱只是表象。真正的价值在于：精简 Prompt 倒逼开发者在开口之前先想清楚。当你必须用五个词描述一个需求时，你只能抓核心矛盾。这种"被迫精准"的过程，本身就在提升代码质量。
五、适用场景与边界
Caveman 不是万能药。它的最佳适用场景明确：
适合：
- 日常编码任务（增删改查、组件开发、Bug修复）
- 高频交互场景（每天和AI多轮对话）
- 指令型任务（"做什么"而非"讨论什么"）
- Claude Code、Cursor 等 Token 计费的AI编程工具
不适合：
- 复杂架构设计讨论（需要充分上下文）
- 创意性编程（需要发散和探索）
- 非技术用户给AI下指令（穴居人语言有学习成本）
- 需要精确约束的长篇系统提示词
Caveman 作者也坦诚，这个项目更多是一种"思维实验"——用极端方式证明 Prompt 工程中存在巨大的浪费空间，推动开发者反思自己的交互习惯。
六、背后的趋势：Prompt工程的"去冗余化"
Caveman 的火爆不是孤立事件。它折射出 AI 编程领域正在发生的三个深层变化：
1. 从"写得好"到"写得省"
早期 Prompt 工程强调"越详细越好"，不少教程教人写几百字的系统提示词。但随着 Token 成本从隐性变显性，风向开始逆转。开发者开始用"优化Prompt"替代"堆砌Prompt"。
2. 工具层开始自动压缩
不只是 Caveman 这样社区驱动的创新，Anthropic 和 OpenAI 自身也在研究 Prompt 自动压缩技术。未来的趋势是：你尽情废话，模型自动精简——但 Caveman 证明，源头优化永远比末端压缩更可靠。
3. AI编程的"专业性觉醒"
真正的程序员不会被AI取代，但会被"更擅长用AI的程序员"取代。Caveman 式的Prompt技巧，正在成为新一代开发者的基本功——就像Vim快捷键一样，初期有学习成本，长期看是效率杠杆。
七、结语
Caveman 是一个有趣的悖论：它用一个看起来"退化"的方式（穴居人语言），实现了开发效率的"进化"（65% Token节省）。它提醒我们，在AI工具快速迭代的时代，有时候最好的优化不是加更多东西，而是砍掉所有不必要的东西。
项目地址：https://github.com/JuliusBrussee/caveman
Star 数据截至 2026年7月：86,848 Stars，仍在快速增长中。
对于每一个在AI编程中烧Token烧到心疼的开发者，Caveman 或许不是一个完美的解决方案，但它传递的理念值得一听：代码越简洁越好，Prompt也不例外。