caveman

Caveman proporciona dos componentes complementarios para asistentes de codificación impulsados por IA. El primero es una "skill" – un archivo de reglas que reescribe las partes en lenguaje natural de la respuesta de un agente a un estilo conciso tipo "caveman", dejando el código, comandos, rutas de archivos y mensajes de error sin modificar. Los benchmarks en el repositorio muestran una reducción promedio de tokens de salida de aproximadamente el 65% en un conjunto de diez prompts típicos de codificación. El segundo componente es un proxy local que se sitúa entre el agente y el proveedor del LLM. Analiza los payloads entrantes (JSON, logs, código, diffs, resultados de búsqueda, texto/HTML) y los comprime antes de enviarlos al proveedor, manteniendo una copia de seguridad en SQLite de los datos originales para recuperación exacta. Las ganancias reportadas en tokens de entrada son de aproximadamente un 33% en general, con reducciones mayores para logs grandes o datos CSV. La instalación se divide en un "rock" pequeño (la skill) y un "rock" más grande (el proxy). La skill puede añadirse con un único comando npx y activarse mediante el comando /caveman dentro de un agente compatible. El proxy se instala globalmente vía npm y se configura con la CLI caveman, que puede envolver agentes como Claude Code, OpenAI Codex, Gemini CLI, Aider, Kilo Code, Qwen Code, opencode, Hermes, OpenClaw y Pi. La CLI también ofrece un script de instalación completo para la detección y configuración automática en sistemas Unix o Windows. Caveman incluye un conjunto de comandos para controlar su comportamiento: /caveman [lite|full|ultra|wenyan-lite|...|off] para seleccionar la intensidad de compresión, caveman-commit para mensajes de commit concisos, caveman-review para revisiones de código en una línea, caveman-compress para reducir archivos markdown, caveman-stats para ver el uso de tokens, y caveman-learn para analizar datos históricos de sesiones y sugerir correcciones que ahorren tokens. Utilidades adicionales incluyen compresión de navegación, recuerdo de memoria, conversión en modo píxel del texto de la skill a imágenes, e informes de pruebas A/B. El proyecto incluye tablas de benchmark detalladas tanto para la skill como para el proxy, así como documentación sobre cómo funciona la compresión para cada tipo de payload y cómo se aplica el ranking de relevancia (BM25, reciprocidad, señales de error) para ajustar el contexto a los presupuestos de tokens. Todas las transformaciones son reversibles; el contenido original puede recuperarse desde el almacén local. La privacidad es una prioridad: la skill y el proxy se ejecutan completamente en la máquina del usuario, no se requiere ninguna cuenta, y solo se envían estadísticas de uso anónimas (nombres de comandos y conteos de tokens) de forma predeterminada. Los usuarios pueden desactivar la telemetría de forma permanente con un solo comando o configurando una variable de entorno. La licencia está dividida: la skill, la CLI, los SDK y el código relacionado están bajo la licencia MIT, mientras que el motor de ejecución se publica bajo una licencia BSL-1.1 de disponibilidad de código fuente que se convierte en totalmente de código abierto después de una fecha de cambio. En general, Caveman busca reducir el coste y la latencia de la codificación asistida por IA haciendo que los agentes digan menos y lean menos, sin sacrificar corrección ni legibilidad.