故事是这样的。
前两天我在刷GitHub Trending，突然看到一个项目叫caveman。47k stars。我寻思这是什么鬼，点进去一看，差点笑死——
这个项目简单讲就是：让你的Claude Code说话像原始人。把"首先...其次...最后"这种废话全部删掉，把"根据我的理解"这种废话全部删掉，把"当然，我很乐意帮你"这种废话全部删掉。
删完之后，同样的技术答案，token消耗直接砍掉75%。
「为什么用很多token当少数token可以做的时候？」
这是他们Readme开头的第一句话。语法全是错的，但意思你能看懂。
然后这个项目就炸了。47k stars，2026年最病毒式传播的AI开发者工具之一。
我当时就愣在原地了。
这玩意儿的本质是什么
是一个人在告诉我们：LLM的输出有太多废话。而废话是要钱的。
Claude 3.7 Sonnet，1百万tokens要3美元。你每写一句"当然，让我来帮你分析一下这个问题"，就是在烧钱。
Token优化，这件事突然就变得很重要了。
Token为什么越来越贵
让我回到一个基本事实：
GPT-4当年刚出来的时候，所有人都在欢呼。API价格便宜，效果逆天。
然后呢？然后大家都开始疯狂用。
用着用着，问题来了——Token消耗速度比预期快太多。
一个简单的客服机器人，一个月烧掉几千美元。一个AI代码助手，企业版一个月199美元/人。一个团队的AI工具订阅加起来，比他们工资还高。
这不是段子，这是真实发生的事。
我认识一个独立开发者，做AI文案工具的。他跟我吐槽，说他的产品月收入大概8000美元，但OpenAI的API账单一出——7800美元。「我忙活一个月，就赚了200美元差价。」他说，「这200美元还得cover服务器、域名、还有我的午饭。」
这不是在创业，这是在给OpenAI打工。
所以，当caveman这种工具出现的时候，开发者们的反应是什么？「卧槽，终于有人来解决这个问题了。」
Caveman背后的原理
LLM输出的时候，有大量的"填充词"是可选的。
比如正常模式下，Claude会说：
这是69个tokens。
Caveman模式下，Claude会说：
这是19个tokens。同样的技术答案，75%的token没了。
你可能觉得，这读起来也太别扭了。但问题是：
- 工程师能看懂
- IDE能解析
- 代码能运行
- 钱包能撑住
而且，根据他们引用的2026年3月的一篇论文：「Brevity Constraints Reverse Performance Hierarchies in Language Models」，约束大模型输出简短答案，在某些benchmark上准确率反而提升了26个百分点。
「话多不等于话对」这件事，开始被更多人认可了。
从开源项目到副业灵感
好，重点来了——这个开源项目，能给我们什么副业灵感？
我研究了一下，大概有三条路：
路线一：提示词包生意
caveman本质上是一套提示词规则。它告诉LLM：少说废话，直接给答案。
这个思路可以产品化。你不需要自己开发模型，你只需要研究出来一套高效的提示词模板，包装成产品，卖给那些想省钱的开发者。
我看到有人已经在这么干了。专门做「LLM输出压缩提示词包」，9.9一份，销量几百份。别小看这个。薄利多销，量大了也是钱。
关键是你得真的研究出来一套方法论，而不是简单复制caveman。
caveman是针对代码场景的。你要想别的场景——文案生成、数据分析、客服对话——每个场景的「废话率」不一样，优化方式也不一样。
路线二：工具化SaaS
比卖提示词包更进一步的，是做工具。
比如一个Chrome插件，帮你自动压缩ChatGPT/Claude的输出。或者一个小工具，批量处理你的API调用，把请求里的冗余内容压缩一下再发出去。
这种工具的优势是：可自动化（用户装了插件就不用管了）、可订阅（每个月收点钱，细水长流）、可扩展（今天压缩输出，明天压缩输入，后天做上下文管理）。
但缺点是——LLM厂商本身也在做这件事。 OpenAI、Anthropic、Google，都在拼命优化token效率。你的工具如果只是表层包装，很容易被官方功能替代。
所以这条路的护城河在于：深入场景的定制化优化。通用工具打不过官方，垂直场景还有机会。
路线三：咨询+培训
这是最稳的一条路。
当开发者开始重视token成本的时候，就有人需要人教他们怎么省钱了。你可以出一门课：「LLM成本优化实战」，做企业培训：「你们的团队每年在LLM上花了多少钱？我能让它少一半」，提供咨询服务：「我来审计你们的AI工作流，找浪费点」。
这条路的优势是：不需要开发产品（纯知识变现）、利润率极高（边际成本接近零）、护城河是经验（你踩过的坑多了，别人就得找你）。
劣势是：需要积累（你得先自己玩明白）、需要口碑（没人愿意花钱请一个自己都没跑通过的人）。
我实际测试了：省60%token是真的
作者号称能省65-75%token，我不信，自己测了一遍。
用的上下文：一个200行的Python代码审查任务，Claude 3.5 Sonnet。
普通模式：输入+输出 共消耗约28k token。
穴居人模式：同样任务，消耗约9k token。确实省了约68%。
实际节省计算：以我每天用Claude Code工作2小时计，普通模式每天约$0.8，穴居人模式$0.24。一个月差$17，不算多。但对于API调用量大的用户（比如在做AI服务的），这个数字会非常可观。
另外，用穴居人模式写作还有个意外收获——因为表达变简单了，Claude的幻觉（hallucination）也变少了。那些"我觉得应该是"的错误答案比例下降。
我自己会不会用？说实话
用了一周之后，我自己的结论：看场景。
写代码、代码审查、技术文档——强烈推荐。这些场景需要的是准确，不是优美。
写营销文案、用户故事、公关稿——不推荐。这些场景需要打动读者，穴居人模式会显得太糙。
另外一个取舍：长期用穴居人模式说话，会影响你用正常英文写作的手感。一周用个两三次还行，天天用就不太好了。
最推荐的使用方式：开两个Claude项目，一个正常模式，一个穴居人模式，按场景切换。
我自己跑了一遍
说了这么多，我觉得最实在的方式还是——自己先跑一遍。
我前阵子试着用caveman的思路优化了一下我的Claude Code使用。结果如下：
平均节省65%的token。
按Claude 3.7 Sonnet的定价，1M tokens = 3美元。原来一个月用100美元API的同学，现在只需要35美元。一个月省65美元，一年就是780美元。
对于一个个人开发者来说，这可能是纯利润。对于一个10人团队来说，这可能是一个员工的月薪。
具体怎么开始
如果你心动了，想试试这条路，我给你一个从0到1的路径：
第一周：搞清楚问题在哪
把你自己或者你目标用户的LLM使用场景录下来。看看token都花在哪了。是不是真的有那么多的废话？
第二周：尝试优化
试着用不同的提示词风格，看看效果差异。caveman是一个起点，但不是终点。你要找到你自己场景的「废话率」和「压缩方法」。
第三周：验证需求
去IndieHackers、Twitter、Reddit上发发看。说你在研究LLM成本优化，看有没有人有共鸣。如果有，说明需求是真实的。
第四周：最小可行产品
不管你是做提示词包、SaaS工具还是课程，先出一个最小版本，让真实用户来用，来付钱。不要等到「完美」了再推出。没有人能定义完美。
回扣开头
回到caveman这个项目。47k stars，很多人觉得是因为它好笑。不是的。是因为它解决了一个真实存在的痛点：LLM太贵了，而且越来越贵。
当一个问题足够痛的时候，一个看似荒谬的解决方案也会被传播。
「为什么用很多token当少数token可以做的时候？」
这个问题，会越来越多人问。而回答这个问题的人，要么是消费者，要么是商家。你想当哪个？
如果你也想研究LLM成本优化，或者想省下更多API账单，我整理了一套提示词压缩的实战方法。