Caveman：why use many token when few do trick
"Why use many token when few do trick"——用穴居人式的破英语，Caveman（穴居人）把这个项目的灵魂一句话说尽了：让 AI 编程助手说得更少、读得更少。它始于一个让 agent 用"电报体"回答的 skill（平均省 65% 输出 token），进化到 Caveman 2 又加上了本地代理压缩输入（受控基准下省 33.2% input token），还有 caveman learn 扫描你数月的 agent 历史、算出"Cave Score"并揪出 token 黑洞。最难得的是它的极致诚实：明确警告 skill 只省输出、某些场景甚至 net-negative，并给证据分了"inferred / benchmark / verified"三级——离线永不自称 verified。参考 GitHub 仓库。
1、概述：Caveman 是什么
Caveman 是一个"token 经济学"工具链，官方口号 "Keep your agent. Brain big. Context small."（留住你的 agent，脑子大，上下文小）。它有两条产品线，一个共同的洞察：agent 上下文里的字节，大部分本不该进去。
产品线一 Skill（省输出）：让 agent 用"电报体"回答，30+ agents，MIT
基准：平均输出 -65%（1214 → 294 tokens）
产品线二 Proxy（省输入）：本地代理压缩 agent 读取的内容
基准：54-run 受控测试 input -33.2%，18 项答案检查全过
分析器 caveman learn：扫描本地 agent 历史，Cave Score + token 黑洞排名
生态 browse/mem/trial/shrink/toon 等动词 + 5 个 MCP 工具 + Pixel mode
兼容 原生 wrap 8 个 agent（Claude Code/Codex/Gemini/Aider/...）
License 分 裂：Skill 与 CLI 为 MIT；引擎运行时 BSL-1.1（source-available）核心要点：
1. 双线出击：说的（输出）与读的（输入）分别压缩
2. caveman learn 先诊断再动手——用你自己的历史数据说话
3. 不替换 agent："留住你的 agent"，只让它更省
4. 工程伦理突出：不为便宜牺牲智能（never makes your agent dumber）
2、Skill：让 agent 说穴居人语
原版技能，也是感受 Caveman 最快的方式。同一个技术问题，两种回答（README 官方对比）：
