Kling Digital
ru
Контакты
2026-11-19
7 МИН ЧТЕНИЯ
Рекомендуемое руководство

Что такое Caveman: сжатие токенов для ИИ-агентов кода

Caveman — открытый скилл и локальный прокси от Julius Brussee, сокращающий расход токенов в ИИ-агентах разработки без изменения кода, путей и ошибок. Разработчики проекта сообщают об экономии около 65% на тексте, а независимые тесты показывают, почему ключевую роль играет обратимый прокси на SQLite и MCP.

Что такое Caveman: сжатие токенов для ИИ-агентов кода

Открывали ли вы биллинг LLM после долгой сессии отладки с ИИ-агентом, замечая, какая доля бюджета ушла на вежливые вступления и повторные логи вместо самого кода? Современные агенты программирования сопровождают каждый шаг длинными оговорками и на каждом витке цикла заново прогоняют через контекст сотни строк вывода терминала.

Caveman — это открытый скилл и локальный прокси от Julius Brussee под слоганом "why use many token when few token do trick". Инструмент сжимает текстовые ответы и громоздкие выводы инструментов ИИ-агентов, сохраняет код, пути и ошибки байт в байт и позволяет полностью восстановить оригинал из локальной SQLite-базы через MCP.

Важно
  • Локальное восстановление без потерь: Сжатые прокси-сервером длинные логи и выводы инструментов получают контент-адресуемые указатели (ccr_...), а исходные байты сохраняются в локальной базе SQLite (~/.caveman/ccr.db) и возвращаются агенту по запросу через MCP.
  • Честная оценка заявления про 65%: Авторы проекта сообщают примерно о 65% экономии токенов на текстовых примерах, тогда как независимый тест JetBrains на SkillsBench (июль 2026) показал 8,5% сокращения выходных токенов в реальных задачах кода; Kling Digital не проводила собственный лабораторный замер этой цифры.
  • Точность кода без искажений: Сжатие затрагивает только разговорную «воду» и повторяющийся шум логов — исходный код, diff-патчи, CLI-команды и стектрейсы остаются нетронутыми.

Для команд, внедряющих решения искусственного интеллекта в производственную разработку, неконтролируемый расход токенов напрямую бьёт по экономике проектов. Даже когда стартовый бюджет оценивается через калькулятор стоимости, регулярные расходы на API в многошаговых циклах тестирования быстро становятся скрытой статьёй перерасхода. Именно поэтому Caveman стремительно разошёлся среди разработчиков с высокими счетами за API.

Почему Caveman быстро набрал популярность среди инженеров

К концу 2026 года агенты вроде Claude Code, Codex CLI, Cursor, Windsurf, OpenCode и Gemini CLI перешли от одиночного автодополнения к длинным автономным циклам. Исправление одного бага влечёт за собой десятки чтений файлов, запусков тестов и анализа сборок, а накопленная история отправляется модели снова и снова.

Поскольку крупные языковые модели обучены вежливому диалогу с человеком, они оборачивают краткий инженерный факт в пространные абзацы. Объяснение лишнего ре-рендера в React в обычном режиме занимает около 69 токенов, тогда как та же техническая причина укладывается в 19 токенов: "New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo."

В контексте трендов экосистемы открытых ИИ-агентов ноября 2026 года проект Caveman закрепил практику гигиены контекста. Чтобы трезво оценить инструмент, важно разделять его исходный слой промпт-сжатия и более зрелую архитектуру локального прокси.

Двухуровневая архитектура: скилл «Say Less» и локальный прокси «Read Less»

Начавшись как компактная системная инструкция, Caveman вырос в двухслойный стек, работающий в обоих направлениях трафика модели.

1. Сжатие вывода (скилл и уровни краткости)

Базовый скилл caveman распространяется под лицензией MIT и подключается к правилам или реестру навыков агента. Он отключает приветствия, вводные оговорки и слова-паразиты, сохраняя в неизменном виде блоки кода, пути и команды.

Прямо по ходу сессии доступны четыре режима интенсивности:

  • /caveman lite: убирает вежливые вступления и очевидный словесный шум, оставляя связную речь (в документации указано около 30% сокращения прозы).
  • /caveman (режим full по умолчанию): телеграфный технический стиль, для которого авторы заявляют примерно 65% экономии на текстовых пояснениях.
  • /caveman ultra: максимальное сжатие без вторичных переходов (авторы указывают 75–80% на текстовом выводе).
  • /caveman off: мгновенный возврат к обычному стилю — необходимо при подготовке описаний pull request, ADR или клиентской документации.

2. Сжатие ввода и обратимое восстановление (caveman-proxy)

В реальных сессиях разработки львиную долю счёта формируют входные токены: длинные прогоны тестов, массивные JSON-ответы и повторяющиеся логи сборки. Локальный прокси (caveman start или caveman wrap, компоненты движка лицензируются под BSL-1.1 / Apache-2.0 в зависимости от пакета) перехватывает трафик между агентом и API провайдера, убирая шум до отправки запроса.

Вместо слепой обрезки Caveman использует локальное контент-адресуемое хранилище восстановления:

  1. При сжатии длинного вывода инструмента прокси оставляет нетронутыми коды возврата, пути к файлам и классы ошибок, заменяя избыточные строки компактным дескриптором (ccr_... или ccr://).
  2. Исходные несжатые байты синхронно записываются в ограниченную по размеру локальную базу SQLite (~/.caveman/ccr.db) вместе с метаданными.
  3. Если агенту потребуется изучить пропущенную строку оригинала, он вызывает локальный инструмент Model Context Protocol (MCP) caveman_retrieve. Прокси возвращает точные исходные байты с локального диска без облачных хранилищ и потери данных.
Совет

Если статические файлы инструкций вроде CLAUDE.md раздувают старт каждой сессии, команда /caveman-compress <путь> сжимает их на месте и автоматически сохраняет читаемую резервную копию вне репозитория в $XDG_DATA_HOME/caveman-compress/backups/.

Что на практике стоит за заявлением о 65% экономии

Инженерный разбор обязан отделять бенчмарки авторов от независимых проверок на рабочих репозиториях. По данным разработчиков Caveman, расход токенов снижается примерно на 65% в коротких текстовых ответах и диалогах формата «вопрос-ответ». В Kling Digital мы не проводили собственный лабораторный тест этой цифры и приводим её исключительно как оценку авторов проекта, а не как гарантированное снижение общего счёта для любой команды.

В июле 2026 года команда JetBrains провела независимое A/B-тестирование скилла Caveman на бенчмарке SkillsBench на сотнях реальных многошаговых задач разработки. Результаты обозначили два ключевых вывода:

  1. В реальном коде один лишь скилл снизил вывод на 8,5%: Основной объём генерации агента приходится на исходный код, diff-патчи и аргументы инструментов, которые Caveman обоснованно не сжимает. Поэтому итоговое сокращение выходных токенов составило 8,5%, а не 65%.
  2. Качество решения задач не пострадало: Исследование JetBrains не выявило статистически значимого падения точности ($p = 0,82$) при переходе на телеграфный стиль ответов.

Именно эти данные ускорили смещение фокуса Caveman на локальный прокси входного контекста (caveman-proxy). Последующие тесты проекта на прокси-конвейере сообщают примерно о 33,2% сокращения входных токенов, учитываемых провайдером, без потери качества. Практический вывод прост: краткий стиль ответов убирает лишний шум, но реальную экономию бюджета даёт обратимое сжатие громоздких входных логов.

Сравнение подходов к оптимизации расхода токенов

Разные инструменты решают разные участки проблемы перерасхода контекста. В таблице ниже сопоставлены оба слоя Caveman, стандартный агент и слой постоянной памяти:

ПодходОсновная цельЗаявленный / измеренный эффектВозврат к оригиналуСохранность кодаЛучший сценарий
Стандартный цикл агентаНет (сырой поток)Базовый уровень (0%)Всегда без сжатияПолнаяДокументация, обучение, спецификации
Caveman Skill (уровень промпта)Текстовые пояснения моделиАвторы: ~65% прозы; JetBrains: ~8,5% в реальном кодеМгновенно через /caveman offКод и пути без измененийБыстрая отладка и архитектурные вопросы
Caveman Proxy (caveman-proxy)Выводы инструментов, тесты, JSONТесты прокси проекта: ~33,2% меньше входных токеновПолное восстановление через ccr_... и caveman_retrieve MCPОшибки и пути точныКрупные монорепозитории с длинными тестами
Постоянная память (claude-mem)Повтор контекста между сессиямиПрогрессивная 3-слойная подгрузка индексаДетализация через timeline и get_observationsПолные ссылки на файлыМногодневная разработка фич

Пока Caveman устраняет избыточность внутри активной сессии, связка с подходом из руководства по постоянной памяти claude-mem избавляет агента от повторного сканирования всего репозитория с нуля при каждом новом запуске.

Установка и настройка локального прокси

Из официального репозитория JuliusBrussee/caveman можно установить только MIT-скилл или полный стек с CLI и локальным прокси:

npx skills add JuliusBrussee/caveman -g
npx @caveman-ai/cli@latest
curl -fsSL https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.sh | bash
caveman tools config path
caveman-proxy recovery-store status

Глобальные настройки хранятся в ~/.caveman-cloud/config.json, а параметры конкретного репозитория задаются в ./.caveman/config.json:

{
  "mode": "full",
  "proxy": {
    "enabled": true,
    "preserveCodeBlocks": true,
    "recoveryStore": "~/.caveman/ccr.db",
    "maxStoreSizeMb": 256
  },
  "mcp": {
    "retrieveTool": "caveman_retrieve"
  }
}
Предупреждение

Безопасность и лицензирование: Поскольку caveman-proxy перехватывает локальный API-трафик и записывает сырые выводы инструментов в ~/.caveman/ccr.db, убедитесь, что тестовые скрипты не печатают в stdout секреты, токены доступа или персональные данные, и ограничьте срок хранения базы на диске. Перед включением компонентов прокси-движка в коммерческие продукты проверьте условия лицензии BSL-1.1 с юристами.

Когда инженерной команде стоит внедрять Caveman

В проектах разработки программного обеспечения Caveman даёт наибольшую отдачу при избирательном применении:

  • Включайте в интенсивных циклах отладки: Разбор падений CI, анализ длинных логов Jest/Playwright/Pytest, обновление зависимостей и массовый поиск по монорепозиторию сразу выигрывают от обратимого сжатия.
  • Отключайте (/caveman off) для внешних текстов: При написании RFC, отчётов по безопасности и клиентских материалов важны точность формулировок и полный контекст.
  • Опирайтесь на собственную телеметрию: Соберите базовую статистику входных и выходных токенов за неделю до включения скилла и прокси, чтобы оценивать эффект на реальной кодовой базе.

О практиках локальной изоляции MCP-инструментов в сложных инженерных задачах читайте также в руководстве по архитектуре и настройке REA MCP. Если вашей команде нужна управляемая архитектура ИИ-агентов с прозрачным контролем бюджета, свяжитесь с инженерами через страницу контактов Kling Digital.

Часто задаваемые вопросы

Часто задаваемые вопросы по этому руководству.

Назад к новостям
Поделиться

Комментарии (0)

Поделитесь своим мнением и опытом с сообществом.

Комментариев пока нет. Будьте первым, кто оставит отзыв!

Оставить комментарий

Ваш комментарий будет опубликован после модерации администратором.

Тематический авторитет и ресурсный центр

Архитектурные бенчмарки, руководства и цифровые инструменты

Матрицы сравнения, подробные B2B-руководства и интерактивные калькуляторы для принятия точных технических решений.

Техническое сравнение

Сравнение Next.js и WordPress

Загрузка быстрее секунды, защита без уязвимых плагинов и расчет полной стоимости на 3 года.

Читать полный сравнительный анализ
Архитектурный анализ

Архитектурное сравнение Framer и Next.js

Инструменты визуального дизайна против суверенного корпоративного full-stack ПО.

Читать полный сравнительный анализ

Свежие статьи

Наши последние руководства по технологиям, дизайну и разработке.

Смотреть все