本篇文章更新時間：2026/04/06
如有資訊過時或語誤之處，歡迎使用 Contact 功能通知或向一介資男的 LINE 社群反應。
如果本站內容對你有幫助，歡迎贊助支持 。
Caveman 模式：用更少字，講更準話的 LLM 技巧
編輯前言：這篇來自 GitHub 專案 caveman，它提出一個很有趣的觀點：讓 LLM 像「原始人」講話，竟然能節省超過 70% 的 token，還不會讓技術內容走樣。對任何使用 Claude Code 或 LLM 寫程式的人，都非常值得一讀。
核心觀點 (Key Takeaways)
- Caveman 模式能減少約 65%–75% 的輸出 token，提升速度並降低成本。
- 即使語句變簡短，技術內容仍完整保留，不會影響推理或準確度。
- 提供多層級的「濃度」（Lite、Full、Ultra），依照需求調整壓縮程度。
深入解析
作者的觀察很簡單：LLM 的廢話太多。像是「I'd be happy to help」或「The reason this is happening is because」之類的開場白，往往不帶技術價值，卻占據大量 token。
Caveman 插件的作法，就是刻意讓語句「壓縮」。但和一般的 prompt hack 不同，它有幾個明確的原則：
"Caveman no make brain smaller. Caveman make mouth smaller."
這句話非常精準。Caveman 模式只壓縮「輸出文字」，不壓縮推理或思考步驟，等於把重點留著、把包裝拆掉。
- 語句壓縮但技術名詞保留：例如 polymorphism、error messages、PR review 都不會被破壞。
- 刪掉所有禮貌詞與虛詞：例如 I would recommend、Sure I'd be happy to，都直接移除。
- 不同強度模式：
- Lite：有語法但沒有廢話。
- Full：真正的 caveman 風格，去掉冠詞、讓語句短促。
- Ultra：最像電報稿，只剩資訊骨架。
專案也提供了真實 benchmark，最誇張的例子（像是 explain React re-render bug），從 1180 token 直接降到 159 token，刪掉 87%。
更有趣的是文末引用一篇 2026 年論文指出，限制回應字數反而讓模型更準確，甚至「反轉模型間的表現差距」。這讓我重新思考「模型越 verbose ＝ 越聰明」的假設，可能早就過時了。
筆者心得與啟發
讀完這篇，我最大的感想是：工程師其實需要的是高訊息密度，不是高字數。Caveman 模式其實就是在幫模型做「訊息壓縮」，避免因為冗長的自然語言讓人忽略重點。
對我來說，特別有啟發的是：
- 在 code review 或 debug 場景，越快得到正確核心訊息越好。
- 如果 LLM 因為「限制字數」而更準，那未來 prompt 設計可能會大洗牌。
- Lite、Full、Ultra 這三種強度的設計很貼近真實使用情境，不會讓簡化變成障礙，反而是一種可控的效率工具。
如果你常用 LLM 寫程式、debug、看 PR，這個插件值得試試。更少的 token，更多的清晰度，甚至還更好笑一點。