Gün sonunda yapay zeka destekli kodlama oturumunuzu kapatıp API fatura ekranını açtığınızda, aslında neye ödeme yaptığınızı hiç incelediniz mi? Çoğu geliştirici gibi siz de muhtemelen kodun kendisinden çok, ajanın "Harika bir soru, hemen yardımcı olayım!" şeklindeki kibar girişlerine ve yüzlerce satırlık ham terminal dökümlerinin her turda tekrar tekrar modele gönderilmesine bütçe harcıyorsunuz.
Caveman, Julius Brussee tarafından "why use many token when few token do trick" sloganıyla geliştirilen açık kaynaklı bir token sıkıştırma yeteneği ve yerel proxy katmanıdır. Kodlama ajanlarının düz metin gevezeliğini ve uzun araç çıktılarını kısaltırken kod bloklarını bayt düzeyinde korur ve gerektiğinde orijinal metni yerel SQLite deposundan geri yükler.
Önemli
- Geri Alınabilir Sıkıştırma: Yerel proxy tarafından kısaltılan büyük log ve araç çıktıları
ccr_...referanslarıyla yerel SQLite veritabanında (~/.caveman/ccr.db) saklanır ve ajan ihtiyaç duyduğunda MCP üzerinden orijinal metnin tamamını geri çağırabilir. - Şeffaf Performans Beklentisi: Proje geliştiricileri belirli senaryolarda yaklaşık %65 token tasarrufu bildirirken, bağımsız JetBrains SkillsBench testi uzun soluklu kodlama görevlerinde yalnızca prompt katmanıyla %8,5 çıktı tasarrufu ölçmüştür; Kling Digital bu oranı kendi laboratuvarında ayrıca test etmemiştir.
- Kod Bütünlüğü Garantisi: Sıkıştırma yalnızca açıklayıcı doğal dil metinlerine ve tekrarlayan log gürültüsüne uygulanır; kod blokları, terminal komutları, dosya yolları ve hata mesajları hiçbir şekilde değiştirilmez.
Büyük ölçekli kod tabanlarında kurumsal yapay zeka çözümleri kurgulayan ekipler için token ekonomisi artık yalnızca bireysel bir geliştirici meselesi değil, doğrudan operasyonel marjı belirleyen bir mimari kalemdir. Otonom kodlama döngülerinin bütçe projeksiyonlarını önceden görmek isteyen yazılım yöneticileri, proje kapsamını maliyet hesaplayıcı üzerinden modellese de üretim ortamındaki en büyük sürpriz fatura her zaman kontrolsüz bağlam penceresi büyümesinden doğar. İşte Caveman tam olarak bu sızıntıyı kapatmak üzere tasarlanmış ve yüksek API faturalarıyla boğuşan geliştiriciler arasında hızla yayılmıştır.
Caveman Neden Bu Kadar Hızlı Yayıldı?
Kasım 2026 itibarıyla Claude Code, Codex CLI, Cursor, Windsurf, OpenCode ve Gemini CLI gibi ajanlar günlük yazılım geliştirme akışının merkezine yerleşti. Bu araçlar yalnızca tek bir soru-cevap döngüsü çalıştırmıyor; bir hatayı ayıklarken onlarca dosya okuyor, test paketlerini çalıştırıyor, derleme çıktılarını tarıyor ve her adımda biriken bağlamı model sağlayıcısına yeniden iletiyor.
Bilerek bozuk bir İngilizceyle yazılmış "why use many token when few token do trick" sloganı, aslında ciddi bir mühendislik eleştirisini mizahi bir biçimde özetliyor: Büyük dil modelleri (LLM), insan sohbeti için eğitildiklerinden ötürü aşırı kibar, tekrarlı ve ihtiyatlı cümleler kurmaya meyillidir. Bir React bileşeninin neden yeniden işlendiğini açıklarken standart bir ajan 65 ila 80 token harcayarak uzun bir giriş yaparken, aynı teknik teşhis "New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo." biçiminde 19 token ile eksiksiz aktarılabilir.
Bu yaklaşım özellikle Kasım 2026 açık kaynak yapay zeka ajan ekosistemi içinde "bağlam hijyeni" kavramını öne çıkardı. Ancak Caveman'in yalnızca kaba bir prompt hilesi olmadığını anlamak için projenin 2026 boyunca geçirdiği iki katmanlı mimari dönüşümü incelemek gerekir.
İki Katmanlı Mimari: "Say Less" Yeteneği ve "Read Less" Yerel Proxy
Caveman ilk çıktığında yalnızca sistem yönergesi düzeyinde çalışan bir ajan yeteneği (skill) olarak duyuruldu. Kısa sürede geliştiriciler, asıl maliyetin modelin ürettiği kısa yanıtlardan ziyade her turda modele geri beslenen devasa girdi token'larından (test logları, JSON yanıtları, derleme izleri) kaynaklandığını fark etti. Bunun üzerine proje iki tamamlayıcı katmana ayrıldı.
1. Çıktı Sıkıştırma Katmanı (Skill & Yoğunluk Modları)
Çekirdek yetenek katmanı MIT lisansı altında yayınlanır ve doğrudan kodlama ajanınızın kurallar/yetenekler dizinine yerleşir. Ajanın açıklayıcı metin üretirken dolgu sözcüklerini ("temel olarak", "aslında", "memnuniyetle yardımcı olurum") ve gereksiz bağlaçları atmasını sağlar.
Oturum içinde sıkıştırma şiddeti dört temel mod arasında anlık olarak değiştirilebilir:
/caveman lite: Yalnızca sohbet nezaketini ve belirgin dolgu ifadelerini temizler; proje belgelerine göre düz metin çıktısında yaklaşık %30 kısalma hedefler./caveman(varsayılanfullmodu): Telgraf tarzı teknik anlatıma geçer; proje sahiplerinin paylaştığı örneklerde düz metin çıktısında yaklaşık %65 azalma bildirilir./caveman ultra: En agresif kısaltma katmanıdır; başlık, geçiş cümlesi ve ikincil açıklamaları tamamen eler (proje belgelerinde %75–80 bandı belirtilir)./caveman off: Ajanı anında standart doğal dil moduna döndürür; müşteri raporu, PR açıklaması veya dokümantasyon yazarken bu geçiş büyük kolaylık sağlar.
2. Girdi Sıkıştırma ve Kayıpsız Kurtarma Katmanı (caveman-proxy)
Projenin asıl mühendislik ağırlığını taşıyan ikinci katman, geliştiricinin yerel makinesinde çalışan proxy motorudur (caveman start veya caveman wrap). Proxy ve motor bileşenleri paket kapsamına göre BSL-1.1 / Apache-2.0 lisans koşullarıyla sunulur.
Bu yerel aracı katman, kodlama ajanı ile LLM sağlayıcı API'si arasında durur. Ajan bir test komutunu veya arama aracını çalıştırıp binlerce satırlık çıktı döndürdüğünde, proxy tekrarlayan başarılı test satırlarını, boş yığın izlerini ve gürültülü JSON alanlarını ayıklar. Kritik veriler (dosya yolları, çıkış kodları, hata sınıfları ve etkilenen kod parçaları) dokunulmadan bırakılır.
Peki kısaltılan satırlardan birine sonradan ihtiyaç duyulursa ne olur? Caveman burada içerik adresli kurtarma tutamaçları (ccr_... veya ccr:// işaretçileri) üretir. Ham, sıkıştırılmamış baytların tamamı anında yerel diskte bulunan sınırlı bir SQLite kurtarma veritabanına (~/.caveman/ccr.db) yazılır. Ajan kısaltılmış özetle yetinemez ve orijinal metnin tamamını görmek isterse, yerel Model Context Protocol (MCP) aracını (caveman_retrieve) çağırarak ilgili tutamaca ait eksiksiz veriyi sıfır bulut bağımlılığıyla geri alır.
İpucu
Büyük CLAUDE.md veya proje hafıza dosyalarınız her oturumda binlerce girdi token'ı tüketiyorsa /caveman-compress komutunu değerlendirebilirsiniz. Komut dosyayı sıkıştırırken insan tarafından okunabilir orijinal yedeği proje ağacı dışında ($XDG_DATA_HOME/caveman-compress/backups/) güvenle saklar.
%65 Token Tasarrufu İddiası Gerçekte Ne Anlama Geliyor?
Mühendislik değerlendirmelerinde abartılı pazarlama rakamlarıyla üretim gerçekliğini birbirinden ayırmak şarttır. Caveman'in proje sahipleri, özellikle sohbet ağırlıklı soru-cevap ve kısa teknik açıklama testlerinde token kullanımının yaklaşık %65 oranında düştüğünü raporlamaktadır. Kling Digital olarak bu oranı kendi iç laboratuvarımızda bağımsız bir kıyaslama düzeneğiyle test etmediğimizi açıkça belirtmek isteriz; dolayısıyla %65 rakamını doğrulanmış evrensel bir garanti değil, proje sahiplerinin kendi ölçüm beyanı olarak okumak gerekir.
Nitekim Temmuz 2026'da JetBrains mühendislik ekibi, Caveman'in yalnızca prompt/yetenek katmanını SkillsBench üzerinde yüzlerce uzun soluklu gerçek kodlama göreviyle bağımsız bir A/B testine tabi tuttu. Ortaya çıkan bulgular her yazılım ekibinin dikkate alması gereken iki kritik gerçeği gösterdi:
- Gerçek Kodlamada Prompt-Only Tasarrufu %8,5 Seviyesinde Kaldı: Uzun ajan oturumlarında model çıktısının büyük bölümü zaten sıkıştırılmaması gereken kaynak kod bloklarından, dosya farklarından (diff) ve araç çağrı parametrelerinden oluşur. Caveman bu bloklara haklı olarak dokunmadığı için toplam çıktı token'larındaki net düşüş %65 değil, ortalama %8,5 olarak ölçüldü.
- Kalite ve Doğruluk Kaybı Gözlenmedi: JetBrains testi, ajanın telgraf dilinde konuşmasının görev başarı oranında istatistiksel olarak anlamlı bir düşüşe yol açmadığını (p = 0,82) teyit etti.
Bu bağımsız geri bildirim, Julius Brussee'nin mimari odağını girdi sıkıştıran yerel proxy katmanına (caveman-proxy) kaydırmasına zemin hazırladı. Proxy tabanlı girdi sıkıştırma hattında proje tarafından paylaşılan sonraki testler, sağlayıcı faturalamasına yansıyan girdi token'larında ortalama %33,2 civarında azalma raporlamaktadır. Kısacası beklentiniz "tek bir prompt ekleyip tüm API faturamı üçte birine indireyim" ise hayal kırıklığı yaşarsınız; ancak hem çıktı gevezeliğini kesip hem de tekrarlı terminal çıktılarını yerel proxy ile filtrelediğinizde anlamlı bir maliyet disiplini elde edersiniz.
Karşılaştırma: Token Optimizasyon Yaklaşımları
Kodlama ajanlarında token tüketimini kontrol altına almak için tek bir araç her sorunu çözmez. Aşağıdaki tablo, standart ajan akışı ile Caveman katmanlarını ve kalıcı hafıza yaklaşımını pratik ölçütlerle kıyaslar:
| Yaklaşım | Hedeflenen Token Türü | Bildirilen / Ölçülen Etki | Orijinal Veriye Dönüş | Kod Bütünlüğü | En Uygun Senaryo |
|---|---|---|---|---|---|
| Standart Kodlama Ajanı | Yok (ham akış) | Baz çizgi (%0) | Zaten ham akış | Tam | Dokümantasyon ve eğitim amaçlı açıklamalar |
| Caveman Skill (Prompt Katmanı) | Çıktı düz metni | Proje: ~%65 (düz metin); JetBrains testi: ~%8,5 (uçtan uca kodlama) | /caveman off ile anlık geçiş | Kod blokları bayt bazında korunur | Kısa hata ayıklama, mimari soru-cevap |
Caveman Yerel Proxy (caveman-proxy) | Girdi logları, araç ve test çıktıları | Proje proxy testleri: ~%33,2 daha az girdi token'ı | ccr_... tutamacı ve caveman_retrieve MCP ile tam geri yükleme | Dosya yolları ve hata kodları korunur | Yoğun test/derleme döngüsü olan büyük monorepo'lar |
Kalıcı Hafıza Katmanı (claude-mem) | Oturumlar arası tekrar edilen bağlam | Oturum başlangıcında artımlı özet yükleme | 3 katmanlı sorgu (search -> timeline -> get_observations) | Tam kaynak dosya referansları | Günlerce süren çok oturumlu özellik geliştirme |
Eğer ekibinizin temel sorunu yalnızca tek bir oturumdaki aşırı konuşkanlık değil, ajanın her yeni oturumda proje mimarisini unutmasıysa Caveman'i claude-mem kalıcı hafıza rehberi içinde ele aldığımız oturumlar arası hafıza katmanıyla birlikte kullanmak çok daha dengeli sonuç verir.
Kurulum ve Yerel Proxy Yapılandırması
Caveman'i yalnızca yetenek katmanı olarak veya yerel proxy paketiyle birlikte kurabilirsiniz. Resmi GitHub deposundaki (JuliusBrussee/caveman) güncel kurulum ve yapılandırma denetim komutları şöyledir:
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
Proje bazlı ayarları ekip genelinde sürüm kontrolüne almak için depo kökünde ./.caveman/config.json dosyası oluşturulabilir; bu dosya kullanıcı dizinindeki ~/.caveman-cloud/config.json varsayılanlarını geçersiz kılar:
{
"mode": "full",
"proxy": {
"enabled": true,
"preserveCodeBlocks": true,
"recoveryStore": "~/.caveman/ccr.db",
"maxStoreSizeMb": 256
},
"mcp": {
"retrieveTool": "caveman_retrieve"
}
}
Uyarı
Kurumsal Güvenlik ve Gizlilik Uyarısı: caveman-proxy çalışma zamanında yerel API trafiğini araya girerek işlediği ve ham araç çıktılarını ~/.caveman/ccr.db dosyasına yazdığı için, üretim ortamı gizli anahtarlarını (.env, erişim jetonları, kişisel veriler) terminal çıktısına basan betiklerin yerel diskte iz bırakabileceğini unutmayın. Ayrıca motor bileşenlerinin BSL-1.1 lisans sınırlarını ticari dağıtım öncesinde hukuk ekibinizle doğrulayın.
Kurumsal Mühendislik Akışlarında Ne Zaman Tercih Edilmeli?
Caveman her senaryoda otomatik olarak açılması gereken bir sihirli düğme değildir. Aşağıdaki karar çerçevesi, özel yazılım geliştirme yürüten ekiplerde aracın nerede yüksek değer ürettiğini, nerede devre dışı bırakılması gerektiğini netleştirir:
- Kullanın: Yüksek frekanslı CI hata ayıklama, uzun Vitest/Playwright/Jest test dökümlerinin analizi, monorepo içinde ardışık dosya taramaları ve token bütçesi sıkı izlenen bireysel/ekip kodlama ajanlarında yüksek fayda sağlar.
- Devre Dışı Bırakın (
/caveman off): Yeni başlayan geliştiricilere mentorluk yaparken, müşteri karşısına çıkacak teknik şartnameler veya mimari karar kayıtları (ADR) yazdırırken ve güvenlik denetimi gibi nüanslı gerekçe gerektiren incelemelerde doğal dil bütünlüğünü korumak daha doğrudur. - Kendi Telemetrinizle Ölçün: Her kod tabanının girdi/çıktı oranı farklıdır. Caveman'i devreye almadan önce bir haftalık baz API tüketiminizi kaydedin; ardından yalnızca skill modu ve proxy modu arasında kendi gerçek repo verinizle karşılaştırma yapın.
Tersine mühendislik ve karmaşık analiz senaryolarında MCP tabanlı ajan araçlarının nasıl izole edildiğini görmek için REA MCP kurulum ve mimari rehberini de inceleyebilirsiniz. Kurumunuzda yüksek hacimli yapay zeka kodlama ajanları için güvenli yerel proxy politikaları, maliyet telemetrisi ve özel ajan mimarisi tasarlamak isterseniz, Kling Digital iletişim kanalı üzerinden mühendislik ekibimizle doğrudan görüşebilirsiniz.




