Chat w stylu jaskiniowca brzmi jak prosty sposób na tańsze korzystanie z AI. Viralowy „Caveman Mode” dla Claude Code obiecywał nawet 75% oszczędności tokenów, ale niezależne testy pokazują, że realny efekt jest znacznie skromniejszy.
Co znajdziesz w tym artykule?
Najważniejsze informacje
- „Caveman Mode” to viralowy prompt do Claude Code stworzony przez 16-letniego Juliusa Brussee, który miał wymuszać skrajnie zwięzłe odpowiedzi AI.
- Repozytorium projektu przekroczyło 6 000 gwiazdek na GitHubie, a dyskusja szybko rozlała się po Redditcie i mediach branżowych [2].
- Twórca i część promujących projekt materiałów sugerowały oszczędność tokenów na poziomie 75%, ale benchmark Kuby Guzika na DEV.to wykazał raczej 14-21% w zadaniach kodowania [3].
- Prostsze instrukcje, takie jak „Be concise. Return JSON.”, dawały dużą część tego efektu, bez potrzeby używania „jaskiniowego” stylu.
- Claude często wraca do zwykłego, bardziej gadatliwego stylu po jednej lub dwóch odpowiedziach, więc efekt nie jest stabilny.
- Wniosek jest prosty: w optymalizacji kosztów AI działa przede wszystkim dobry prompt engineering.
Czym jest Caveman Mode?
Caveman Mode to skill dla Claude Code, który ma ograniczać długość odpowiedzi i skracać zbędne elementy językowe. Zamiast pełnych, ludzkich zdań model ma pisać niemal telegraficznie, ograniczając liczbę tokenów wyjściowych. Pomysł zyskał popularność, bo brzmi intuicyjnie: mniej słów ma oznaczać niższy koszt. Fundamentalne znaczenie ma jednak nie ton odpowiedzi, lecz to, ile kontekstu model musi przeanalizować i jak złożone jest zadanie. W praktyce Caveman Mode jest więc bardziej eksperymentem z tonem odpowiedzi niż realnym systemem oszczędzania budżetu [4].
Skąd wziął się viral?
Cała historia zaczęła się od projektu opublikowanego przez 16-letniego Juliusa Brussee, który szybko przyciągnął uwagę społeczności AI i programistów. Duży udział miały też reakcje na Reddicie, gdzie temat był szeroko komentowany i udostępniany. W viralowych treściach obietnica była wyjątkowo atrakcyjna: jeśli każesz modelowi mówić jak jaskiniowiec, możesz obniżyć koszty nawet o 75%. To dokładnie ten rodzaj hasła, który łatwo rozchodzi się po sieci, bo daje prostą odpowiedź na realny problem: rosnące wydatki na API [1].
Co pokazują benchmarki?
Niezależny test Kuby Guzika opublikowany na DEV.to nie potwierdził obietnicy 75% . Zamiast tego benchmark pokazał realne oszczędności w zakresie około 14-21% w zadaniach kodowania. W tym samym teście proste polecenia, takie jak „Be concise. Return JSON.”, dawały znaczną część efektu Caveman Mode. To ważne, bo pokazuje, że sam „styl jaskiniowca” nie jest konieczny, by uzyskać skrócone odpowiedzi.
| Podejście | Deklarowany lub obserwowany efekt | Wniosek |
| Caveman Mode | Do 75% oszczędności tokenów w przekazie viralowym | Obietnica była zbyt optymistyczna |
| Benchmark DEV.to | Około 14-21% oszczędności w zadaniach kodowania | Realny efekt jest dużo mniejszy niż w reklamie |
| Prosty prompt typu “Be concise. Return JSON.” | Około 60% efektu Caveman Mode | Często wystarczy dobra instrukcja formatu |
Najważniejszy wniosek z benchmarków jest taki, że większość korzyści daje zwykła precyzja promptu, a nie viralowy „tryb jaskiniowca”.
Dlaczego obietnica 75% nie ma pokrycia?
Największe oszczędności nie wynikają z samego skracania odpowiedzi, lecz z uporządkowania kontekstu, ograniczenia zbędnych danych wejściowych i precyzyjnego określenia zadania. Jeśli model dostaje mniej chaosu do przetworzenia, łatwiej generuje krótszą i bardziej użyteczną odpowiedź. Najwięcej kosztuje sensowna treść odpowiedzi: wyjaśnienia, struktura, logika, przykłady i dopasowanie do kontekstu. Jeśli polecenie jest bardziej precyzyjne, model naturalnie ogranicza nadmiarowe sformułowania. Ale samo usunięcie grzeczności nie zmienia fundamentu odpowiedzi tak mocno, jak sugerowały viralowe wpisy.
Co działa lepiej?
Jeśli celem jest realne obniżenie kosztów tokenów, najwięcej daje uporządkowanie kontekstu pracy modelu: mniej zbędnych danych wejściowych, krótsza historia rozmowy, jasny format odpowiedzi i precyzyjnie zdefiniowane zadanie.
Przykłady:
- „Odpowiedz w max 3 zdaniach.”
- „Zwróć tylko JSON.”
- „Nie dodawaj wstępu ani podsumowania.”
- „Podaj wyłącznie listę punktów.”
To nie są triki na ton wypowiedzi, tylko sposoby na ograniczenie tego, co model musi przetworzyć i wygenerować.
Dla firmy oznacza to jedno: koszty AI obniża się przez projektowanie rozmowy, nie przez viralowy trik.
Co to znaczy dla biznesu?
Dla marketerów, właścicieli firm i zespołów korzystających z AI najważniejsza lekcja jest bardzo prosta: viralowe hacki rzadko przenoszą się 1:1 do produkcji. To, co działa jako ciekawostka na Reddicie, nie musi działać jako stabilny proces w firmie.
Jeśli zależy Ci na kosztach, warto zacząć od:
- ograniczenia kontekstu,
- skracania promptów,
- wymuszania konkretnego formatu,
- wyboru tańszego modelu tam, gdzie to wystarczy,
- testowania odpowiedzi na rzeczywistych zadaniach.
Wniosek dla polskiej firmy jest praktyczny: oszczędności w AI robi się systemowo, a nie jednym sprytnym hasłem.
FAQ
Czy Caveman Mode naprawdę obniża koszty o 75%?
Nie potwierdziły tego niezależne benchmarki. W testach Kuby Guzika oszczędności wyniosły raczej 14-21%.
Czy to znaczy, że Caveman Mode nie ma sensu?
Ma sens jako eksperyment, ale nie jako cudowny sposób na redukcję kosztów.
Czy prosty prompt może dać podobny efekt?
Tak. Instrukcje typu „Be concise. Return JSON.” dawały dużą część efektu bez potrzeby używania pełnego Caveman Mode.
Co jest najlepszą metodą oszczędzania tokenów?
Najlepiej działa jasny format, krótki kontekst i precyzyjne polecenie zadania.
Źródła:
[1] https://www.reddit.com/r/vibecoding/comments/1sd31bh/caveman_claude_tdlr_it_is_not_working_and_why/
[2] https://github.com/JuliusBrussee/caveman
[3] https://dev.to/jakguzik/i-benchmarked-the-viral-caveman-prompt-to-save-llm-tokens-then-my-6-line-version-beat-it-2o81
[4] https://decrypt.co/363440/devs-claude-talk-like-caveman-cut-costs-work-better
[5] https://www.nathanonn.com/claude-code-caveman-mode/