GitHub推荐：80k stars 用了 3 个月：一个人做的「让 AI 闭嘴」caveman，凭什么病毒式爆红

GitHub: https://github.com/juliusbrussee/caveman

一句话总结

caveman 是一套让 Claude / Cursor / Codex 等 30+ AI 编程 agent「强制简洁说话」的 prompt-engineering-as-infrastructure：把”压缩 output style”做成跨 agent、always-on、可卸载、有 honest eval 的产品层,3 个月从 0 涨到 80,714 stars。

值得关注的理由

现象级增长 + 单一作者:2.9 个月、201 commits、80k stars,作者一人承担 63% 提交,这种密度在 AI 编程工具赛道极罕见。
护城河在「跨 agent 安装矩阵」而非 SKILL.md:30+ 个 agent 的单一 Node installer + JSONC-tolerant settings + marker-fenced injection,这三条工程模式可直接迁移到任何想做”AI 工具基础设施”的项目。
HN 顶级讨论引爆 + 真实工程深度并存:HN 上被质疑”压缩 output 是否让模型变笨”后,作者补出了 three-arm honest eval(__baseline__ vs __terse__ vs <skill>)——这是少数 AI 工具把”诚实度量”做成工程基础设施的案例。

项目展示

星标增长曲线(0 → 80k+,仅 2.9 个月)

caveman-on (compressed) caveman-off (verbose)

官方 before/after 演示图:同一 prompt,verbose 模式 vs caveman 模式输出对比

atlas-cloud architecture

架构图:多 agent 适配层 + 中央 installer

项目画像

维度	数据
GitHub	https://github.com/juliusbrussee/caveman
Star / Fork	80,714 / 4,518
Watchers / Open issues	183 / 358
Open PRs	196
代码行数	8,280 LOC(131 文件,44.2% 注释密度)
语言分布	JS 65.9% · Python 26.0% · PowerShell 4.2% · Shell 3.8%
依赖	0 runtime + 0 dev deps(纯 Node ≥18 installer + skill bundle)
项目年龄	2.9 个月(2026-04-04 → 2026-06-12)
版本	15 个 semver tag(v1.0.0 → v1.9.0 + patch 链 1.3.5/1.4.1/1.5.1/1.8.1/1.8.2)
提交节奏	~6 天/版本(全职业节奏);MVP 爆发 142 commits/月 → 收敛 16 commits/月
贡献模式	独立开发为主(31 contributors,top author 63.0%,bus factor ≈ 1)
热度定位	大众热门(单日涨 925 stars,HN 头版)
质量评级	代码优 · 文档优 · 测试基本(无 CI 跑 test)
许可证	MIT

作者视角:为什么存在这个项目

创始人/作者背景

Julius Brussee,荷兰,独立开发者 + 莱顿大学数据科学与 AI 本科生(2025 入学)。GitHub 账号 4.2 年,2,029 followers,49 个 public repos。

他的自我定位语录极简:“Everyone’s racing to build better AI models. I build the tooling around them.”

5 仓库”洞穴生态”都围绕一个母题:

caveman —— 让 AI 闭嘴(本项目,output compression)
caveman-code —— coding-style 压缩
cavemem —— 持久记忆
cavekit —— 工具链
cavegemma —— Gemma 4 31B QLoRA 微调(把”caveman”烤进权重)

媒体背书:RTL Editie NL、BNR Nieuwsradio、莱顿大学 2026 年 5/6 月专题报道。这种”独立学生 + 国家电视台报道 + HN 头版”的组合在 AI 编程工具赛道几乎独此一家。

问题判断

“大模型输出口水太多”是公开秘密,但没人愿意把它做成产品。

token 成本结构里,output token 通常占 60–80%(尤其 agent loop 里)。所有人在卷模型能力,但没人卷”输出样式”。这是一个典型的「between 椅子」的位置:

模型厂商不愿意动(怕被解读为「我们的模型啰嗦」)
工具厂商可以做 prompt engineering,但产品形态是 SaaS(marginal cost 高)
开源可以做,但需要极强的 agent-兼容性工程

时机为什么是现在?

2026 年初 Claude Code / Cursor / Codex 等 agent IDE 全面铺开 → 跨 agent 安装矩阵的市场窗口打开
HN 用户对 token 成本敏感度剧增(Anthropic 涨价风波)
单一作者可以 hold 住 30+ agent 适配,因为 target 是”装一行 prompt + hook”,不是”重写 agent”

解法哲学

README 哲学声明(三连,体现强烈品牌意识):

🪨 why use many token when few token do trick

Caveman no make brain smaller. Caveman make mouth smaller.

Lobster claw still sharp. Lobster mouth now small. Brain still big.

这一段是 caveman 的核心定位:**它是 output-style compression,不是 reasoning-token compression。**这回应了 HN 上最尖锐的质疑(“压缩 output 是否让模型变笨?”)——作者明确划清了”嘴巴”和”大脑”的界限。

明确不做什么(从代码与 issue 反推):

不做 SaaS(纯本地 + MIT)
不做模型微调主路(留给 cavegemma)
不做 memory 主路(留给 cavemem)
不做 Copilot on VS Code(#88,已知盲点)
不在 hook 里抛错(silent-fail 哲学,“hook 不能 block session start”)

战略意图

从「caveman meme」进化成「Cave toolkit 生态」。作者的更大图景是 5 仓库覆盖 AI 编程工具栈的每个 cost-driver:

caveman → 减 output token
cavemem → 减 context token
cavekit → 减 setup token
cavegemma → 把上面三个烤进权重

商业化路径:Chrome 扩展已上线(https://chromewebstore.google.com/detail/caveman-mode-%E2%80%94-chatgpt-cl/dljfndmkapffcbcjpabcmclgbppbgfjm),把 ChatGPT 输出也压缩了——这是从 developer tool 向 consumer SaaS 试探的第一步。

核心价值提炼

创新之处(按新颖度 × 实用性 × 可迁移性排序)

1. Symlink-safe flag envelope(`src/hooks/caveman-config.js`)

新颖度 5/5 · 实用性 5/5 · 可迁移性 5/5

safeWriteFlag / readFlag / appendFlag 三件套,防御链:

O_NOFOLLOW 拒绝 symlink 替换
parent-dir realpath 校验
写入后比对 uid
64-byte size cap
VALID_MODES 白名单

威胁模型很真实:用户主目录有 ~/.ssh/id_rsa symlink,如果 flag path 是用户可控的,attacker 可以诱导 agent 把 id_rsa 当 flag 读。这种工程级”defensive default”在 AI agent 工具里罕见。

2. JSONC-tolerant settings.js 三件套(`bin/lib/settings.js`)

实用性 5/5 · 可迁移性 5/5

stripJsonComments:手写 state machine,识别 string 内 // 注释,不误伤 URL/正则
validateHookFields:write 之前 mutate,把未知字段静默丢掉而不是炸掉
pruneOrphanedManagedHooks:卸载时自愈 dangling refs(关联 issue #471)

这是给 Claude Code / Cursor 等 agent 设置文件写的”鲁棒 parser”,任何要做 multi-agent 安装器的项目都可以直接抄。

3. Marker-fenced text block injection(`bin/lib/openclaw.js`)

可迁移性 5/5

用  在 SOUL.md / AGENTS.md 等任意文本文件里塞 block,卸载时用 indexOf 精准切片。比”重写整文件”或”git merge”都安全——任何想做”AI 工具的 bootstrap 注入”的项目都该用这个模式。

4. Provider matrix as data DSL(`bin/install.js` PROVIDERS 数组)

实用性 5/5

const PROVIDERS = [
  { id: 'claude-code', ... soft: true },
  { id: 'cursor',      ... },
  { id: 'opencode',    ... },
  // 30+ agents
];

加新 agent = 加一行。soft: true 表示”装失败不报错,只是没启用”——最大化覆盖面。

5. Three-arm honest eval(`evals/`)

实用性 5/5

__baseline__:不做 prompt 干预,看模型默认啰嗦度
__terse__:人为写”简短”prompt,看 prompt-level 简短效果
<skill>:caveman 实际效果

honest delta = skill vs terse(而不是 skill vs baseline)——这是少数 AI 工具把”诚实度量”做成工程基础设施的案例。snapshot commit 到 git,CI 离线可跑。

6. Tier-3 OpenClaw bootstrap

新颖度 4/5

OpenClaw 不支持 always-on skill。作者用 marker-fenced block 注入 SOUL.md(自动加载),绕开 on-demand 限制。这是”用文件 bootstrap 模拟 hook 行为”的工程化 hack。

7. MCP shrink stdio JSON-RPC proxy(`src/mcp-servers/caveman-shrink/`)

只改 tools/list 的 description 字段,不碰 tools/call 响应/上行 payload——最小侵入地让模型”看到”工具描述更短,但实际功能不变。

8. Opencode plugin 跨 ESM/CJS 桥接

new Function('module', 'exports', 'require', '__dirname', '__filename', code)

直接 eval CJS 源码,绕开 Bun runtime 的 ESM-only 限制。

可复用的模式与技巧

模式	文件	复用场景
JSONC-tolerant parser	`bin/lib/settings.js`	任何”用户配置文件带注释”场景(VSCode settings.json、tsconfig.json)
Symlink-safe flag envelope	`src/hooks/caveman-config.js`	任何”agent 在文件系统留 marker”的场景
Marker-fenced injection	`bin/lib/openclaw.js`	任何”在不重写文件的前提下注入 block”的场景
Provider matrix DSL	`bin/install.js`	任何”多后端适配”的项目(LLM provider、IDE、CI runner)
Three-arm eval	`evals/`	任何 AI 工具的”诚实 A/B 测试”
Pinned ref + SHA-256 manifest	`install.sh` / `package.json`	任何”避免 curl \| bash 静默升级”的 installer
Silent-fail hook 哲学	`src/hooks/*.js`	任何”工具不能 block 主流程”的场景

关键设计决策

单一 Node installer(替代 4 套 bash/PS1,来自 issue #249 教训)——把”目标平台覆盖”和”安装逻辑”解耦
三层 always-on fallback:Claude Code hook + flag file / opencode native plugin + AGENTS.md / SOUL.md marker / .*rules/
Flag file 做单一 state source:SessionStart 写、UserPromptSubmit 读、Statusline 读 —— 避免”session 状态分散在多处”
Pinned ref + SHA-256 manifest:PINNED_REF = v1.9.0 + checksums.sha256,避免 curl|bash 静默升级
Hook silent-fail 哲学:hook 永远不能 block session start —— 这是 agent 工具的生存底线
--all 故意不开 --with-mcp-shrink:proxy 必须传 upstream cmd,默认保守(不偷偷启用用户没要求的网络代理)

竞品格局与定位

竞品对比矩阵

维度	caveman(本项目)	claude-mem(85.5k★)	taste-skill(55k★)	system-prompts-leaks(47.8k★)
解决问题	output 太啰嗦	context 太长	输出风格不佳	提示词不透明
作用层	output style	memory layer	writing style	community asset
跨 agent 适配	30+ agents	主要 Claude Code	Claude 系	N/A
开源协议	MIT	MIT	MIT	文档类
安装方式	单一 installer + hook	hook + memory store	skill 注入	静态资源
Eval 体系	three-arm honest	无公开 eval	无公开 eval	无
Bus factor	1	1	1	社区驱动
差异化	跨 agent + 诚实 eval + 品牌	持久记忆 + 跨 session	写作质量	透明度

差异化护城河

维度	护城河
生态覆盖	30+ agent 适配矩阵(竞品都在 1–3 个)
品牌资产	”caveman”已成为 output compression 的 meme 词,Chrome 扩展进一步扩散
工程模式	JSONC-tolerant + symlink-safe + marker-fenced 三件套,直接迁移门槛极高
诚实评估	three-arm eval 是少数 AI 工具的”反 PR 营销”实践
信任基础	MIT + 透明 + 无 SaaS + 无遥测

竞争风险

风险	触发条件	应对难度
claude-mem 加 output compression 子模块	claude-mem 已经有 cross-agent memory,加一个 compress 子模块成本极低	高
Anthropic / OpenAI 官方在 prompt 层做压缩	模型厂商主动声明”已优化输出样式”	极高(对 caveman 致命)
HN meme 衰退	新热点出现,关注度转移	中
bus factor 1	作者停止维护	高(实际项目生存风险)
cavegemma 把 caveman 烤进权重	用户不再需要 prompt-level 压缩	中(但跨模型仍有需求)

生态定位

caveman 填补了 “AI 编程工具栈中、output token 成本控制的 prompt 层” 这个空白。在整个 LLM 应用栈里:

上层 → 模型厂商(Anthropic / OpenAI / Google)
中层 → Agent framework(LangChain / LlamaIndex / Claude SDK)
caveman 层 → 跨 agent 的 output style compression
下层 → Token 计费 / 监控(LangSmith / Helicone)

cavegemma 是作者自己向上吞掉这一层的尝试——把 caveman 烤进 Gemma 4 权重,绕开 prompt engineering。这是非常聪明的”prompt engineering → weights engineering”路径。

套利机会分析

信息差:竞品(claude-mem / taste-skill)都没解决”output compression”这件具体事,caveman 的护城河是”早 + 品牌 + 工程深度”。信息差窗口约 6–12 个月。
技术借鉴:
- JSONC-tolerant settings.js parser → 可直接用到任何 Claude Code plugin
- Symlink-safe flag envelope → 任何”agent 在文件系统留 marker”的场景都该用
- Marker-fenced injection → 任何”在不重写文件的前提下注入 block”的场景
- Three-arm honest eval → 任何 AI 工具的”诚实 A/B 测试”
生态位:AI 编程工具栈中的”output token 成本控制 prompt 层”,5 仓库”洞穴生态”是这个 niche 的事实标准
趋势判断:跨 agent 安装矩阵需求只会增加(LangChain / MCP 都在往多 agent 适配走);cavegemma 路线如果跑通,caveman 可能从”产品”变成”训练数据”——这是中期最大的范式风险

风险与不足

核心三角风险

Bus factor 1:31 contributors 但 top author 63.0%(Julius Brussee 104 commits);CLAUDE.md 行文暗示单人维护节奏。任何突发情况(作者 burnout / 转向)会立刻威胁项目生存。
Missing test CI:只有 sync-skill.yml 跑 plugin mirror + ZIP,不在 push 时跑 test。bus factor 1 + 别人接手时无法验证 → 任何新 agent 提交可能 break installer 但 CI 看不到。
Hook silent-fail 是双刃剑:hook 永远不抛错,但 user 也看不到为什么 stats 历史缺失。对个人开发者友好,对团队 adoption 不友好。

已知覆盖盲点

#428 Antigravity CLI 不支持——CLI 生态扩张速度快,矩阵永远滞后
#88 Copilot on VS Code 不支持——最大用户群盲点
#251 byte-safe metering 缺——用户要求按 byte 而非 token 计费,Gateway-layer 还没实现

工程层风险

commit decay:最近 30 天仅 7 commits,20 天没 push——从”密集开发”转入”维护模式”,社区期待 vs 作者精力错配的风险在累积
0 runtime + 0 dev deps 是优势也是脆弱性:没有依赖保障,Node 标准库一旦有破坏性升级(罕见但不是没发生过)installer 直接挂
HN 上”压缩 output 是否让 model 变笨”的质疑未被完全回应:作者承认 75% 是 preliminary,rigorous benchmark 还在做——如果 benchmark 跑出来不利,品牌会受损

行动建议

如果你要用它

适合场景:Claude Code / Cursor / Codex / opencode 用户,且对 output token 成本敏感
不适合场景:你主要用 Copilot on VS Code(#88)、你的 agent 工作流对长输出有依赖(比如 chain-of-thought verbose mode)
建议用法:npx caveman --all(跨 agent 安装)+ caveman-stats(看实际节省)+ 偶尔用 caveman-off toggle 切回去对比效果

如果你要学它

推荐学习顺序(按”价值密度 / 上手成本”排序):

README.md(产品哲学)
CLAUDE.md(作者思维模式,最重要)
bin/install.js(PROVIDERS 数组 + self-heal 模式)
bin/lib/settings.js(JSONC 三件套)
bin/lib/openclaw.js(marker-fenced injection)
src/hooks/caveman-config.js(symlink-safe envelope)
src/hooks/caveman-mode-tracker.js(state persistence 模式,关联 #141)
src/plugins/opencode/plugin.js(跨 ESM/CJS 桥接)
src/mcp-servers/caveman-shrink/{index,compress}.js(stdio proxy)
skills/caveman/SKILL.md(真源 prompt)
skills/cavecrew/SKILL.md + agents/cavecrew-*.md(multi-agent 协调)
evals/README.md(three-arm eval 怎么搭)
tests/test_symlink_flag.js + tests/test_repo_local_config.js(怎么测文件系统边界)

如果你要 fork 它

最有价值的改进方向(按 ROI 排序):

加 GitHub Actions 跑 test on PR(缺位严重,补上立刻提升可信度)
补 byte-safe metering(关联 #251,Gateway-layer 兑现承诺)
Copilot on VS Code 适配(关联 #88,最大用户群盲点)
Three-arm eval 自动化跑 + badge(把”诚实”做成可视化信任锚)
5 仓库”洞穴生态”整合 README(作者最大战略弱点:5 个项目分散,没有 meta-doc)
bus factor 1 解法:写 CONTRIBUTING.md 真正让外部 contributor 容易接手(目前更像 todo)

知识入口

资源	链接
DeepWiki	未收录
Zread.ai	未收录
关联论文	无(纯工程,无学术论文)
在线 Demo	https://caveman.so/(before/after 对比演示)
Chrome 扩展	https://chromewebstore.google.com/detail/caveman-mode-%E2%80%94-chatgpt-cl/dljfndmkapffcbcjpabcmclgbppbgfjm
HN 讨论	https://news.ycombinator.com/item?id=47647455
作者博客	https://polder.substack.com(“Two Weeks in the Cave”)
关键 Issue	#426 · #141 · #428 · #251 · #88