GitHub双响：11.1万星caveman让AI说狠话省token，8.3万星rtk把命令输出砍90%
用 AI coding agent 的人最近都在算一笔账：模型本身没贵多少，贵的是 agent 每天在那头废话连篇地回答，脚下一顿 git status、cat 日志，几万 token 的垃圾原文就灌进上下文里。这周 GitHub 上最火的两个项目，干的就是同一件事——把 agent 的嘴和眼都收拾一遍，别的不干。
我翻了两个仓库的 README 和实测数据，都是 Apache-2.0、本机跑、不碰你 API key 的货。下面一个一个说。
caveman：11.1 万星，让 AI 说”狠话”
这项目的名字就离谱：why many token when few do trick（为什么用很多 token，明明几个就够）。4 月 4 日建仓，一个 meme 起家的东西，现在 110,944 星，Hacker News 头版、GitHub Trending 双榜第一，连 ThePrimeagen 都跑去直播打脸测试，扔下一句”No way this actually works”——然后被数据打回来了。
它有两块”石头”：
小石头是 skill，管 agent 怎么说话。同样回答一个 React 重渲染的问题，正常 agent 写 63 token，装了 /caveman 后 20 token，开 /ultracave 是 14 token，最狠的 /megacave 只要 13 token。答案信息一点不少：”新对象引用导致重渲染，用 useMemo 包一下。”它那套规则不是拍脑袋来的，是借了航空维修手册的受控英语标准（ASD-STE100）：一句话最多 20 词、主动语态、否定词/数字/路径/报错原文一个不删，寒暄客套全砍。安全警告、不可逆操作、反问用户的时候自动恢复正常人话。
大石头是 proxy，管 agent 读什么。这是去年 8 月加的，起因是两项研究：Adobe 的 CAVEWOMAN 论文发现，把用户自己的提示词改成短句反而让回答更长更烂，所以 caveman 从不碰你的 prompt；JetBrains 测了 86 个真实编码任务，发现 agent 会话里大头根本不是对话，是工具输出。于是 proxy 上场，把 agent 读进来的 CSV 压缩 98.9%、日志 98.5%、YAML 99.1%，整个 Claude Code 会话输入 token 降 33.2%，54 次运行 18/18 答案全对。caveman browse 把一个网页压成 121 token，Playwright 快照要 15,704。
第三方背书也够硬：Adobe 论文实测短句输出让 8 个模型成本降 1.4 到 2.4 倍，Elastic 把它移植到 Elasticsearch 场景，响应 token 降 63.6% 且”零信息损失”。
装起来就一行：npm install -g @caveman-ai/cli && caveman setup --install，支持 Claude Code、Codex、Gemini、opencode、Hermes 等 30 多个 agent。只要短回答不要 proxy 的，npx skills add JuliusBrussee/caveman -g 就够。
rtk：8.3 万星，Rust Token Killer
如果说 caveman 是”语言艺术”，rtk 就是纯粹的工程暴力。Rust 写的单个二进制，1 月建仓，现在 82,893 星，v0.28.2，开销低于 10ms，支持 100 多个命令的输出压缩。
原理一句话：通过 hook 把 agent 执行的命令偷偷改写——git status 变成 rtk git status，输出在进上下文之前先过一道压缩。ls/tree 收成带文件计数的树；grep 截断长行、按文件分组；git log 只留 hash、作者、标题；测试命令只报失败用例，通过的折叠成一个数；docker ps 只留关键字段。
它最让我有好感的是官方对数字的态度：README 里直接写”砍掉最多 90% 的 bash 输出，不等于砍掉你 90% 的账单”——因为 bash 输出只是输入 token 的一部分，输入 token 只是账单的一部分，一路稀释下来。而且它不内置分词器，token 数是按”字节除以 4″估算的，百分比可信、绝对数仅供参考。这种把丑话说前头的项目，比张嘴就是”立省 90%”的靠谱多了。
安装看平台：macOS brew install rtk，Windows winget install rtk-ai.rtk，Linux 一条 curl 脚本。装完 rtk init -g 接上 Claude Code、Codex、Cursor、Hermes 这些，rtk gain 随时看省了多少。
实话
两个项目殊途同归，都是在给 agent 时代的一笔隐性开支动刀：上下文越肥，缓存越贵，模型读的垃圾越多，回答还越容易跑偏。顺带一提，前阵子写过的 claude-mem 解决的是 agent 健忘，这俩解决的是 agent 话痨——一个管记，一个管省，装一起也不冲突。caveman 连自己的 benchmark 里 HTML 压缩器还没做、整场会话反而多花 9.9% 这种事都写在表里，rtk 主动给你算稀释公式——敢把输的场景摆出来的，才值得往生产环境里装。
如果你正在为 token 账单肉疼，我的建议是先别急着换便宜模型：让模型少读点垃圾、少说点废话，往往一刀下去就有 30% 以上，还一分钱不用换。
