caveman

Caveman fournit deux composants complémentaires pour les assistants de codage alimentés par l'IA. Le premier est un « skill » – un fichier de règles qui réécrit les parties en langage naturel des réponses d'un agent en une phraséologie terne style « homme des cavernes », tout en laissant le code, les commandes, les chemins de fichiers et les messages d'erreur inchangés. Les benchmarks du dépôt montrent des réductions moyennes de 65% des jetons de sortie sur un ensemble de dix prompts de codage typiques. Le second composant est un proxy local qui s'intercale entre l'agent et le fournisseur de LLM. Il analyse les payloads entrants (JSON, logs, code, diffs, résultats de recherche, texte/HTML) et les compresse avant envoi amont, en conservant une sauvegarde SQLite des données originales pour récupération exacte. Les économies rapportées sur les jetons d'entrée sont d'environ 33%, avec des réductions plus fortes pour les grands logs ou les données CSV. L'installation se fait en deux « rocks » (le skill et le proxy). Le skill s'ajoute via une commande npx unique et s'active avec la commande /caveman dans un agent supporté. Le proxy s'installe globalement via npm et se configure avec l'CLI caveman, qui peut envelopper des agents tels que Claude Code, OpenAI Codex, Gemini CLI, Aider, Kilo Code, Qwen Code, opencode, Hermes, OpenClaw et Pi. L'CLI propose également un script d'installation complet pour la détection et la configuration automatiques sur Unix ou Windows. Caveman inclut un jeu de commandes pour contrôler son comportement : /caveman [lite|full|ultra|wenyan‐lite|...|off] pour sélectionner l'intensité de compression, caveman‐commit pour des messages de commit succincts, caveman‐review pour des revues de code en une ligne, caveman‐compress pour réduire les fichiers markdown, caveman‐stats pour afficher l'utilisation des jetons, et caveman‐learn pour analyser les données historiques de session et suggérer des correctifs économiseurs de jetons. Des utilitaires supplémentaires incluent la compression de navigation, la récupération de mémoire, la conversion pixel‐mode du texte du skill en images, et les rapports d'essais A/B. Le projet comprend des tableaux de benchmark détaillés pour le skill et le proxy, ainsi que la documentation sur le fonctionnement de la compression pour chaque type de payload et sur l'application du classement par pertinence (BM25, récence, signaux d'erreur) pour adapter le contexte aux budgets de jetons. Toutes les transformations sont réversibles ; le contenu original peut être récupéré depuis le stockage local. La confidentialité est mise en avant : le skill et le proxy s'exécutent entièrement sur la machine de l'utilisateur, aucun compte n'est requis, et seules des statistiques d'utilisation anonymes (noms de commandes et comptes de jetons) sont envoyées par défaut. Les utilisateurs peuvent désactiver définitivement la télémétrie par une commande unique ou en définissant une variable d'environnement. La licence est scindée : le skill, l'CLI, les SDK et le code associé sont sous licence MIT, tandis que le moteur d'exécution est publié sous une licence source disponible BSL‐1.1, qui devient open‐source complète après une date de modification. Dans l'ensemble, Caveman vise à réduire le coût et la latence du codage assisté par IA en faisant dire et lire moins aux agents, sans sacrifier l'exactitude ou la lisibilité.