illegalCreed

中文

English

中文

English

Appearance

指南 ​

基于 JuliusBrussee/caveman 的 skills/caveman/SKILL.md、README 与 docs/HONEST-NUMBERS.md 编写。

速查 ​

  • 核心规则：删冠词/filler/寒暄/hedging；片段 OK；短同义词（big 不 extensive）；代码/命令/错误逐字保留
  • tokenizer 洞察：禁自造缩写（cfg/impl/req/res/fn）——tokenizer 拆分和全词一样、零省 token，反损可读性
  • 禁因果箭头（X → Y）——箭头自成一个 token，省不了还牺牲清晰
  • 6 档：lite / full / ultra / wenyan-lite / wenyan-full / wenyan-ultra
  • 保留语言：压缩风格不翻译语言；wenyan 是刻意例外
  • Auto-Clarity：安全/不可逆/多步歧义时退出 caveman，清晰后恢复
  • 诚实：只省输出，skill 自身加 ~1–1.5k 输入/轮，整会话可能净负；价值在可读性/速度

核心规则 ​

Caveman 的 SKILL.md 只有一句纲领：「Respond terse like smart caveman. All technical substance stay. Only fluff die.」（像聪明穴居人般简短回答，技术实质全留，只有废话去死。）具体：

  • 删：冠词（a/an/the）、filler（just/really/basically/actually/simply）、寒暄（sure/certainly/happy to）、hedging
  • 片段 OK：不必完整句
  • 短同义词：big 不 extensive、fix 不「implement a solution for」
  • 不动：技术术语精确、代码块不变、错误逐字引用、API 名/CLI 命令/commit 类型（feat/fix）逐字保留
  • 无工具调用旁白、无装饰性表格/emoji、不倾倒长原始错误日志（只引最短决定性那行）

模式：[thing] [action] [reason]. [next step].

❌「Sure! I'd be happy to help. The issue is likely caused by...」 ✅「Bug in auth middleware. Token expiry check use < not <=. Fix:」

tokenizer 洞察：为什么禁自造缩写 ​

这是 Caveman 最有技术含量的一条规则：绝不自造新缩写（cfg / impl / req / res / fn / auth）。原因是——tokenizer 把它们拆分成和全词一样的 token，零 token 节省，读者还要多一步解码。全词又便宜又清晰。同理禁因果箭头（X → Y）：箭头自成一个 token，省不了还牺牲可读性。

这条规则背后是对「表面变短 ≠ token 变少」的清醒认识：省 token 要顺着 tokenizer 的粒度来，而非凭直觉缩写。

wenyan 文言文：极限压缩 ​

wenyan 系列是给中文的彩蛋，也是真本事——古文每 token 载义最多：

档特点
wenyan-lite半文言，删 filler/hedging 但保留语法结构、古典语域
wenyan-full最大古典简洁，完全文言文，80–90% 字符缩减，动词先于宾语、常省主语、用古典虚词（之/乃/為/其）
wenyan-ultra极限缩写，保留古典韵味，最大压缩

例——「为什么 React 组件重渲染？」：

  • full：New object ref each render. Inline object prop = new ref = re-render. useMemo.
  • wenyan-full：每繪新生對象參照，故重繪；以 useMemo 包之則免。
  • wenyan-ultra：新參照則重繪。useMemo 包之。

wenyan 是「保留语言」规则的刻意例外：正常情况下 caveman 压缩风格不翻译语言，但古文因每 token 载义最多而被特批。

Auto-Clarity：什么时候退出 caveman ​

极简有风险——省略连词/冠词可能让多步序列歧义。Caveman 内建 Auto-Clarity：以下情形自动退出 caveman、恢复正常清晰表达，清晰的部分做完再恢复 caveman：

  • 安全警告
  • 不可逆操作确认（如 DROP TABLE）
  • 多步序列里片段顺序或省略连词会误读
  • 压缩本身制造技术歧义（如「migrate table drop column backup first」没冠词/连词就顺序不清）
  • 用户要求澄清或重复提问

这体现「简短服务于沟通，而非以牺牲正确性为代价」——该清楚的地方一定清楚。

诚实数字：别只冲着省钱 ​

这是 Caveman 最值得敬佩的一点——作者在 HONEST-NUMBERS.md 里主动泼冷水：

  • Caveman 只压缩输出 token；输入和推理 token 不动，且 skill 自身每轮加 ~1–1.5k 输入 token
  • 所以整会话省得比 65% 少，在已经很简洁的工作负载上甚至可能净负
  • 真正的赢面是可读性与速度，省钱是 bonus

基准（真实 Claude API 计数，可复现）：10 个 prompt 输出减少均值 65%（范围 22–87%）；/caveman-compress 改写记忆文件均减 ~46% 输入 token（永久，每 session 生效）。

一个有意思的旁证：README 引 2026-03 一篇论文《Brevity Constraints Reverse Performance Hierarchies in LMs》——约束大模型给简短答案，在某些基准上准确率提升约 26 分。有时「少字 = 更对」。（这是他引用的研究结论，非本页断言。）

边界与持久性 ​

  • ACTIVE EVERY RESPONSE：一旦开启每条回复都生效，多轮后不 revert、不 filler 漂移；不确定时仍生效；仅「stop caveman / normal mode」关闭
  • 代码/commit/PR 写正常：只压缩散文，不动这些
  • 无自我指涉：绝不命名或宣布这个风格（不「me caveman think」），输出只有 caveman 内容

反模式 ​

反模式问题
冲着「省钱」装 caveman诚实看：整会话可能净负；价值在可读性/速度
自造缩写以为更省tokenizer 拆分同样长、零省 + 损可读性
安全/破坏性操作也硬压缩应触发 Auto-Clarity 退出，别牺牲正确性
期望它压缩输入 token它只压输出，输入靠 /caveman-compress 改记忆文件
让它改写代码/命令/错误明确禁止，这些逐字保留

下一步 ​