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(режимfullпо 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:
- При сжатии длинного вывода инструмента прокси оставляет нетронутыми коды возврата, пути к файлам и классы ошибок, заменяя избыточные строки компактным дескриптором (
ccr_...илиccr://). - Исходные несжатые байты синхронно записываются в ограниченную по размеру локальную базу SQLite (
~/.caveman/ccr.db) вместе с метаданными. - 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 $XDG_DATA_HOME/caveman-compress/backups/.
Что на практике стоит за заявлением о 65% экономии
Инженерный разбор обязан отделять бенчмарки авторов от независимых проверок на рабочих репозиториях. По данным разработчиков Caveman, расход токенов снижается примерно на 65% в коротких текстовых ответах и диалогах формата «вопрос-ответ». В Kling Digital мы не проводили собственный лабораторный тест этой цифры и приводим её исключительно как оценку авторов проекта, а не как гарантированное снижение общего счёта для любой команды.
В июле 2026 года команда JetBrains провела независимое A/B-тестирование скилла Caveman на бенчмарке SkillsBench на сотнях реальных многошаговых задач разработки. Результаты обозначили два ключевых вывода:
- В реальном коде один лишь скилл снизил вывод на 8,5%: Основной объём генерации агента приходится на исходный код, diff-патчи и аргументы инструментов, которые Caveman обоснованно не сжимает. Поэтому итоговое сокращение выходных токенов составило 8,5%, а не 65%.
- Качество решения задач не пострадало: Исследование JetBrains не выявило статистически значимого падения точности ($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:
| Подход | Основная цель | Заявленный / измеренный эффект | Возврат к оригиналу | Сохранность кода | Лучший сценарий |
|---|---|---|---|---|---|
| Стандартный цикл агента | Нет (сырой поток) | Базовый уровень (0%) | Всегда без сжатия | Полная | Документация, обучение, спецификации |
| Caveman Skill (уровень промпта) | Текстовые пояснения модели | Авторы: ~65% прозы; JetBrains: ~8,5% в реальном коде | Мгновенно через /caveman off | Код и пути без изменений | Быстрая отладка и архитектурные вопросы |
Caveman Proxy (caveman-proxy) | Выводы инструментов, тесты, JSON | Тесты прокси проекта: ~33,2% меньше входных токенов | Полное восстановление через ccr_... и caveman_retrieve MCP | Ошибки и пути точны | Крупные монорепозитории с длинными тестами |
Постоянная память (claude-mem) | Повтор контекста между сессиями | Прогрессивная 3-слойная подгрузка индекса | Детализация через timeline и get_observations | Полные ссылки на файлы | Многодневная 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.




