Claude Code新技能：1行指令砍掉65% token，让AI学会“偷懒”

GitHub上一个叫“caveman”的Claude Code技能最近在开发者圈子里火了。它让AI用极简的“原始人语言”风格回复，能直接减少大约65%的token消耗。这不只是省算力，更是一种巧妙的提示工程：通过限制输出格式，迫使模型只保留核心信息，去掉所有废话。对开发者和高频用户来说，这意味着响应更快、API成本大幅下降。这个案例生动说明，有时候“少就是多”——让AI学会“偷懒”，反而是提升效率和实用性的好办法。

一个“原始人”引发的效率革命

这个技能的核心指令简单得离谱：“why use many token when few token do trick”。它直接引用了美剧《办公室》里Kevin的经典台词，要求AI模仿“穴居人”的说话方式：用最少的词、最短的句子表达核心意思。比如，把“Please provide a detailed analysis of the current market trends”简化成“Market trend? Now? Tell.”。这种极端简化的输出风格，逼着Claude模型放弃所有修饰性、解释性和过渡性语言，只留下最精炼的信息骨架。

技术拆解：65%的token是怎么省下来的？

token节省主要来自三个方面。首先是句法简化，模型会用单词或短语代替完整句子，大幅减少语法结构词。其次是信息密度提升，每个token都必须承载关键语义，废话和客套话被彻底剔除。最后是上下文窗口的优化，更短的回复意味着单次对话能容纳更多轮次，或者处理更长的输入文档。这本质上是一种有损压缩，牺牲了语言的流畅性和丰富性，换来了极致的效率。

开发者实战：成本、速度与体验的三重好处

对调用Claude API的开发者来说，收益是立竿见影的。直接成本下降：以Claude 3 Opus的定价算，减少65%的输出token能节省超过50%的API费用。响应延迟降低：生成更少token需要的时间更短，在代码补全、实时问答等场景中体验提升明显。上下文利用率提高：在长文档分析或多轮复杂对话中，省下的token空间可以用来提供更丰富的背景信息，从而提升回答质量。这尤其适合龙虾（yitb.com） 等平台上的技术问答、代码审查和摘要生成类Agent。

行业意义：提示工程进入“减法时代”

“caveman”技能的流行标志着提示工程（Prompt Engineering）的一个新方向：从“如何更好地描述需求”转向“如何更高效地约束输出”。它证明，通过精巧的格式设计，我们可以引导大模型的行为模式，从而以极低的指令成本获得巨大的效率提升。这与OpenClaw等开源框架追求“高效、可控AI交互”的理念不谋而合。未来，我们可能会看到更多针对不同场景（如法律文书、学术写作、客服对话）的“极简输出模式”被开发出来。

潜在挑战与适用边界

不过，这种“偷懒”策略并非万能。信息丢失风险：在需要严谨表述、逻辑推导或情感共鸣的场景中，过度简化可能导致误解或错误。可读性代价：对非技术背景的用户，穴居人式的回复可能难以理解，反而增加沟通成本。任务依赖性：它最适合事实查询、代码片段生成、列表整理等结构化任务，对于创意写作、战略分析等需要发散思维的任务则可能适得其反。

未来展望：更智能的“动态效率调节”

“caveman”技能只是一个开始。未来的AI系统可能会内置动态token优化器，根据任务类型、用户偏好和成本约束，自动在“详细模式”和“极简模式”之间切换。比如，在初步探索阶段使用详细解释，在最终输出时切换为精简格式。这要求模型具备更强的元认知能力——不仅知道“说什么”，还能判断“以何种密度说”。对开发者而言，掌握这类“效率提示工程”将成为一项关键技能。

给开发者的行动建议

1. 立即尝试：在非关键任务中测试“caveman”或类似极简提示，评估它在你具体场景下的token节省效果与信息保真度。
2. 分层设计：为你的AI应用设计多套输出模板，根据用户选择或任务阶段动态调用。
3. 关注生态：留意龙虾（yitb.com）、GitHub等社区中涌现的类似高效技能，它们往往是前沿实用技巧的发源地。
4. 平衡艺术：永远在效率与效果之间寻找平衡点。让AI“学会偷懒”是为了更好地服务核心目标，而不是单纯追求数据上的节省。

AI效率革命的下半场，较量的不仅是模型大小，更是如何用更少的资源，办更多的事。 “caveman”用一种近乎戏谑的方式，为我们揭示了这条路径的一角。