Caveman: Teknik AI Ringkas untuk Menghemat Token Coding Agent

Caveman ramai dibicarakan karena menawarkan ide yang sederhana: kurangi kata-kata yang tidak perlu dari jawaban AI, lalu bayar lebih sedikit untuk output yang sama-sama berguna. Skill ini membuat coding agent menjawab dengan kalimat pendek, fragmen, dan istilah yang langsung menuju inti.

Klaim penghematan hingga 75% memang terdengar besar. Masalahnya, angka tersebut biasanya berlaku untuk teks penjelasan, bukan seluruh token dalam satu sesi coding. Token untuk input, kode, dan reasoning tetap perlu dihitung.

Di artikel ini, kamu akan menemukan:

• Cara kerja Caveman dan level kompresinya.
• Contoh penggunaan di Claude Code, Cursor, Gemini CLI, dan coding agent lain.
• Perbedaan penghematan output dengan penghematan biaya total.
• Situasi ketika Caveman membantu dan kapan sebaiknya dimatikan.
• Langkah aman untuk mencoba Caveman tanpa mengganggu alur kerja.

Caveman itu apa?

Caveman adalah skill atau plugin untuk AI coding agent yang mengubah gaya jawaban model menjadi lebih padat. Model tetap menerima instruksi dan konteks seperti biasa. Yang berubah terutama cara model menyampaikan hasilnya.

Jawaban standar biasanya penuh pembuka, kalimat penghubung, pengulangan konteks, dan penutup sopan. Caveman memangkas bagian-bagian tersebut. Hasilnya bisa berupa kalimat pendek atau fragmen seperti:

Auth middleware gagal validasi token expiry.
Gunakan <=, bukan <.
Tambah test untuk token yang tepat di batas waktu.

Versi normalnya mungkin berbunyi:

Masalahnya kemungkinan berasal dari middleware autentikasi
yang belum memvalidasi waktu kedaluwarsa token dengan benar.
Coba ubah operator perbandingan dari < menjadi <=, lalu tambahkan
test untuk memastikan token tetap valid tepat pada batas waktunya.

Informasi teknisnya mirip. Perbedaannya ada pada jumlah kata dan tingkat kelengkapan kalimat.

Caveman tidak mengganti model AI, melakukan fine-tuning, atau mengubah kode secara otomatis. Ia bekerja sebagai aturan komunikasi yang dipasang ke coding agent. Proyek ini dikembangkan oleh Julius Brussee dan tersedia sebagai proyek open source di repositori Caveman di GitHub.

Apa yang biasanya dipangkas?

Caveman berusaha menghilangkan elemen yang sering tidak menambah informasi penting, seperti:

• Pembuka: “Tentu, saya akan membantu.”
• Pengulangan pertanyaan pengguna.
• Kata pengisi seperti “pada dasarnya” atau “sebenarnya”.
• Kalimat penutup yang tidak diperlukan.
• Artikel dan kata sambung tertentu dalam mode yang lebih agresif.
• Penjelasan panjang untuk solusi yang sederhana.

Bagian yang seharusnya tetap dipertahankan mencakup:

• Kode.
• Perintah terminal.
• Nama file dan path.
• URL.
• Angka.
• Nama fungsi dan variabel.
• Istilah teknis.
• Negasi dan syarat penting seperti “jangan”, “hanya jika”, atau “kecuali”.

Di sinilah kualitas aturan kompresi menjadi penting. Menghapus kata “yang” biasanya tidak menimbulkan masalah. Menghapus “jangan” bisa membalik instruksi.

Peringatan: Jangan menganggap semua kata pendek sebagai hiasan. Kata seperti “tidak”, “sebelum”, “hanya”, dan “kecuali” sering menentukan logika instruksi. Untuk operasi database, deployment, penghapusan file, atau perubahan produksi, gunakan bahasa normal jika ada risiko salah tafsir.

Kenapa Caveman bisa menghemat token?

Setiap jawaban model terdiri atas token, yaitu potongan teks yang dipakai sistem untuk membaca dan menghasilkan bahasa. Jumlah token output memengaruhi biaya API, latency, dan seberapa cepat konteks percakapan terisi.

Bayangkan kamu meminta AI menjelaskan penyebab error sederhana. Jawaban standar bisa mengandung:

1. Pembuka sopan.
2. Ringkasan masalah.
3. Penjelasan penyebab.
4. Solusi.
5. Catatan tambahan.
6. Penutup.

Untuk pertanyaan yang hanya membutuhkan satu perintah, lima bagian pertama mungkin sudah cukup. Caveman mencoba mempertahankan penyebab dan solusi, lalu memangkas sisanya.

flowchart LR
	A["Pertanyaan pengguna"] --> B["Model memahami konteks"]
	B --> C["Model menghasilkan jawaban"]
	C --> D["Aturan Caveman memangkas prosa"]
	D --> E["Jawaban lebih padat"]

Klaim proyek dan sejumlah tulisan yang mengujinya menunjukkan pengurangan output rata-rata sekitar 65% dalam benchmark tertentu. Rentangnya lebar. Tugas yang penuh penjelasan bisa berkurang jauh lebih banyak daripada tugas yang sebagian besar berisi kode.

Menurut analisis independen dari ServicesGround, penghematan 61–68% lebih tepat dipahami sebagai pengurangan pada bagian percakapan atau penjelasan. Dalam sesi coding lengkap, angka tersebut tidak otomatis berubah menjadi penghematan biaya dengan persentase yang sama.

Output token bukan seluruh biaya sesi

Satu sesi AI coding agent biasanya memuat beberapa jenis token:

Kalau 25% token dalam satu sesi berupa penjelasan yang bisa dipangkas 65%, penghematan total sesi tentu lebih kecil dari 65%. Hitungan sederhananya:

25% bagian prosa × 65% penghematan
= sekitar 16,25% dari total token

Angka nyata bisa lebih rendah atau lebih tinggi karena komposisi tiap sesi berbeda. Sesi yang banyak berisi code generation biasanya mendapat manfaat lebih kecil. Sesi yang dipenuhi diskusi, review, dan penjelasan bisa mendapat manfaat lebih besar.

Baca juga Nano Banana 2 Lite: Model AI Tercepat & Termurah

Empat level gaya Caveman

Caveman menyediakan beberapa tingkat kompresi. Nama dan detail implementasinya bisa berubah mengikuti versi proyek atau adapter yang dipakai, tetapi konsep utamanya serupa.

Lite

Mode Lite menghapus pembuka, basa-basi, dan pengulangan. Struktur kalimat masih relatif lengkap sehingga lebih mudah dibaca.

Komponen React melakukan re-render karena membuat referensi objek baru
pada setiap render. Gunakan useMemo untuk menyimpan referensi tersebut.

Mode ini cocok untuk:

• Pekerjaan harian.
• Tim yang masih ingin menjaga keterbacaan.
• Review yang akan dibaca orang lain.
• Pengguna yang baru mencoba gaya jawaban ringkas.

Full

Mode Full biasanya menjadi pilihan utama. Model mulai memakai fragmen, menghapus sebagian artikel, dan memilih kata yang lebih pendek.

Referensi objek baru tiap render.
Prop objek inline memicu re-render.
Bungkus dengan useMemo.

Jawaban masih cukup mudah dipahami jika kamu menguasai konteks teknisnya. Untuk debugging cepat, mode ini sering menjadi titik tengah yang masuk akal.

Ultra

Mode Ultra mengejar kepadatan maksimum. Singkatan dan simbol bisa lebih sering muncul.

Inline obj prop → ref baru → re-render.
useMemo.

Mode ini memang cepat dipindai, tetapi tidak selalu aman untuk komunikasi tim. Hubungan sebab-akibat yang jelas bagi pembuat jawaban bisa terasa ambigu bagi orang lain.

Wenyan

Wenyan memakai gaya yang terinspirasi bahasa Tionghoa klasik. Tujuannya adalah memadatkan informasi lebih jauh lagi. Mode ini lebih cocok untuk eksperimen atau situasi khusus daripada dokumentasi proyek.

Kamu tidak perlu langsung mencoba level paling ekstrem. Mulai dari Lite atau Full. Naikkan kompresi hanya jika jawaban masih mudah dipahami dan tidak membuat kamu sering meminta penjelasan ulang.

Tip: Ukur keberhasilan bukan hanya dari jumlah token yang berkurang. Kalau jawaban terlalu pendek sampai kamu perlu mengajukan dua pertanyaan klarifikasi tambahan, penghematannya bisa hilang.

Contoh Caveman saat memperbaiki kode

Misalnya sebuah komponen React melakukan render ulang karena menerima objek baru pada setiap render.

Jawaban normal

Komponen melakukan re-render karena prop objek dibuat ulang
setiap kali komponen induk melakukan render. React membandingkan
referensi objek secara dangkal, sehingga objek baru dianggap berbeda
meskipun isinya sama. Kamu bisa menggunakan useMemo untuk menjaga
referensi objek tetap stabil.

Mode Full

Prop objek dibuat ulang tiap render.
Shallow comparison menganggapnya berbeda.
Gunakan useMemo agar referensi stabil.

Mode Ultra

Obj baru tiap render → shallow compare gagal → re-render.
useMemo.

Solusinya sama. Yang berkurang adalah penjelasan hubungan antarbagian.

Cara ini cocok saat kamu sudah tahu dasar React dan hanya membutuhkan diagnosis. Untuk belajar konsep shallow comparison, mode Ultra justru bisa terlalu pendek. Kamu mungkin perlu meminta ulang:

Jelaskan dalam mode normal. Saya ingin memahami alasannya.

Fleksibilitas untuk kembali ke bahasa normal menjadi bagian penting dari penggunaan Caveman. Efisiensi seharusnya membantu alur kerja, bukan memaksa kamu membaca catatan yang sulit ditafsirkan.

Caveman bukan kompresor semua token

Kesalahpahaman terbesar muncul dari penggunaan istilah “hemat token” tanpa menjelaskan bagian mana yang dihemat. Caveman terutama menyentuh output prosa. Ia bukan alat untuk:

• Mengurangi ukuran file yang dikirim sebagai konteks.
• Memangkas kode hasil generate.
• Mengurangi token reasoning.
• Menghapus riwayat percakapan.
• Mengubah model mahal menjadi model murah.
• Mempercepat semua jenis permintaan.

Beberapa implementasi ekosistem Caveman juga menyediakan fitur kompresi file memori seperti CLAUDE.md. Ini kasus yang berbeda karena file tersebut berada di sisi input. Kompresi file instruksi bisa mengurangi teks yang perlu dibaca agent pada sesi berikutnya, tetapi kamu tetap perlu memeriksa hasilnya secara manual.

Kode, command, path, angka versi, dan konfigurasi tidak boleh dipadatkan secara sembarangan. Satu karakter yang berubah pada perintah shell bisa menghasilkan masalah yang jauh lebih mahal daripada beberapa token yang dihemat.

Peringatan: Jangan menjalankan kompresor pada file konfigurasi tanpa membuat backup. Simpan versi asli dan bandingkan hasil kompresi sebelum menjadikannya sumber konteks utama.

Cara memasang dan mencoba Caveman

Metode instalasi bergantung pada agent yang kamu gunakan. Dokumentasi proyek menyediakan perintah untuk beberapa platform. Karena plugin dan command dapat berubah, cek instruksi terbaru di dokumentasi instalasi repositori resminya.

Langkah-langkah

1. Pilih agent yang ingin diuji. Gunakan satu agent terlebih dahulu, misalnya Claude Code, Cursor, Gemini CLI, atau coding assistant lain yang mendukung skill dan rule file.

2. Baca dokumentasi instalasi resmi. Pastikan command sesuai dengan sistem operasi dan versi agent yang kamu pakai. Jangan menyalin perintah dari artikel lama tanpa memeriksa sumbernya.

3. Pasang skill pada lingkungan uji. Jika kamu bekerja dalam proyek tim, lebih aman mencoba Caveman di proyek pribadi atau branch terpisah. Periksa file yang dibuat installer sebelum melanjutkan.

4. Aktifkan mode Lite atau Full. Gunakan mode yang paling mudah dibaca dulu. Jangan langsung memakai Ultra untuk pekerjaan yang melibatkan banyak syarat atau keputusan teknis.

5. Uji dengan prompt yang sama. Jalankan pertanyaan serupa sebelum dan sesudah Caveman aktif. Bandingkan jumlah token, panjang jawaban, ketepatan solusi, dan kebutuhan klarifikasi.

6. Periksa bagian yang tidak boleh berubah. Pastikan nama file, kode, command, URL, angka, dan istilah teknis tetap benar. Uji command di lingkungan aman, bukan langsung di production.

7. Matikan saat membutuhkan penjelasan lengkap. Gunakan perintah seperti normal mode atau mekanisme penonaktifan yang disediakan agent. Kembali ke gaya normal untuk onboarding, dokumentasi, dan diskusi arsitektur.

8. Catat hasil selama beberapa hari. Jangan mengambil kesimpulan dari satu prompt. Bandingkan sesi debugging, code review, pembuatan kode, dan diskusi konsep agar hasilnya lebih representatif.

Alur pengujian yang sederhana bisa terlihat seperti ini:

flowchart TD
	A["Pilih proyek uji"] --> B["Catat baseline"]
	B --> C["Pasang Caveman"]
	C --> D["Uji Lite atau Full"]
	D --> E["Bandingkan kualitas dan token"]
	E --> F{"Jawaban tetap jelas?"}
	F -->|Ya| G["Gunakan pada task yang cocok"]
	F -->|Tidak| H["Turunkan level atau matikan"]

Cara mengukur hasilnya

Gunakan metrik yang cukup praktis:

Bandingkan Caveman bukan hanya dengan jawaban AI yang sangat verbose, tetapi juga dengan instruksi sederhana seperti:

Jawab singkat dan langsung ke solusi.
Pertahankan kode, command, angka, path, dan istilah teknis.
Jelaskan detail hanya jika diminta.

Baseline yang sudah ringkas membuat klaim penghematan terlihat lebih realistis. Kalau model sejak awal sudah menjawab dalam tiga kalimat, ruang untuk dipangkas tentu kecil.

Caveman-commit, caveman-review, dan kompresi memori

Ekosistem Caveman memiliki beberapa subskill untuk pekerjaan yang memang membutuhkan format singkat.

Caveman-commit

Subskill ini membantu membuat pesan commit yang ringkas dan mengikuti pola Conventional Commits.

feat(auth): tambah validasi JWT dan bcrypt

Format seperti ini memang cocok dipadatkan karena pesan commit idealnya jelas, pendek, dan mudah dipindai. Tetap periksa apakah subject menjelaskan perubahan dengan benar. Jangan memotong konteks penting hanya demi memenuhi batas karakter.

Caveman-review

Untuk code review, format satu baris per temuan bisa mempercepat pemindaian:

L42: bug: user bisa null. Tambah guard sebelum akses properti.
L58: perf: query N+1. Gunakan eager loading.

Format ini cocok untuk bug sederhana, masalah performa yang jelas, atau temuan gaya kode. Untuk isu arsitektur dan keamanan yang rumit, satu baris mungkin tidak cukup. Reviewer perlu tahu alasan, dampak, dan langkah perbaikannya.

Kompresi file memori

File seperti CLAUDE.md sering dibaca agent berulang kali. Jika isinya penuh paragraf panjang, kompresi prosa bisa mengurangi input pada sesi berikutnya.

Manfaatnya bisa terasa pada:

• Proyek dengan konteks instruksi yang besar.
• Agent yang bekerja dalam banyak sesi.
• Pipeline dengan beberapa subagent.
• File catatan yang banyak mengulang aturan.

Risikonya juga jelas. Kalimat yang terlalu padat bisa menghilangkan hubungan sebab-akibat atau pengecualian. Untuk file yang dibaca manusia dan AI sekaligus, versi ringkas belum tentu menjadi versi terbaik.

Kelebihan & Kekurangan

Kelebihan

• Jawaban lebih cepat dipindai. Kamu bisa langsung melihat diagnosis, command, atau patch yang disarankan.
• Cocok untuk task berulang. Debugging sederhana, commit message, dan review singkat tidak selalu membutuhkan paragraf panjang.
• Mudah diuji. Caveman dapat diaktifkan atau dimatikan tanpa mengganti model.
• Berpotensi mengurangi output prosa. Dampaknya paling terasa pada jawaban yang biasanya terlalu banyak menjelaskan.
• Bisa membantu menjaga fokus. Model lebih jarang mengulang konteks atau menambahkan penutup yang tidak diminta.

Kekurangan

• Penghematan total belum tentu sebesar klaim output. Token kode, input, dan reasoning tetap dihitung.
• Keterbacaan bisa turun. Mode Ultra tidak ideal untuk anggota tim yang belum mengenal konteks.
• Risiko ambiguitas meningkat. Syarat, pengecualian, dan urutan langkah perlu dibaca lebih teliti.
• Instruksi skill menambah input. Pada prompt singkat atau sesi sekali jalan, tambahan aturan bisa mengurangi manfaat.
• Tidak cocok untuk semua pekerjaan. Tutorial, onboarding, dokumentasi publik, dan keputusan arsitektur membutuhkan penjelasan yang utuh.

Task yang cocok dan yang sebaiknya dihindari

Caveman biasanya paling masuk akal untuk pekerjaan dengan pola yang jelas dan hasil yang mudah diverifikasi, misalnya:

• Menjelaskan error singkat.
• Menunjukkan lokasi bug.
• Membuat commit message.
• Merangkum perubahan pull request.
• Menyebutkan command yang perlu dijalankan.
• Memberi daftar file yang berubah.
• Menjawab pertanyaan konfigurasi sederhana.

Kamu sebaiknya kembali ke mode normal saat:

• Mempelajari framework baru.
• Menulis dokumentasi untuk pengguna umum.
• Menjelaskan keputusan arsitektur.
• Membahas risiko keamanan.
• Menjalankan migrasi database.
• Menghapus resource cloud.
• Melakukan rollback atau deploy production.
• Menyusun instruksi untuk orang yang tidak mengikuti percakapan sebelumnya.

Pemisahan ini membantu tim memakai Caveman sebagai alat kerja, bukan aturan wajib untuk setiap percakapan.

flowchart LR
	A["Task sederhana"] --> B["Caveman Full"]
	C["Code review singkat"] --> B
	D["Commit message"] --> B
	E["Task berisiko"] --> F["Mode normal"]
	G["Onboarding"] --> F
	H["Diskusi arsitektur"] --> F

Apakah Caveman benar-benar meningkatkan akurasi?

Ada riset tentang batasan jawaban singkat yang menemukan bahwa model besar kadang bekerja lebih baik saat tidak didorong untuk menjelaskan terlalu panjang. Salah satu sumber yang banyak dikutip adalah paper Brevity Constraints Reverse Performance Hierarchies in Language Models.

Temuan seperti ini menarik, tetapi tidak bisa langsung dianggap sebagai bukti bahwa Caveman selalu meningkatkan akurasi. Ada perbedaan antara:

• Membatasi panjang jawaban.
• Menghapus basa-basi.
• Mengubah struktur bahasa menjadi fragmen.
• Mengurangi reasoning internal.
• Memaksa model berhenti sebelum solusi selesai.

Caveman dirancang untuk memadatkan penyampaian, bukan menghapus proses internal model. Meski begitu, hasil akhirnya tetap perlu diuji pada task yang kamu kerjakan.

Untuk pekerjaan coding, periksa:

• Apakah patch bisa dijalankan?
• Apakah test tetap lolos?
• Apakah edge case disebutkan?
• Apakah command sesuai dengan lingkungan?
• Apakah model menghilangkan syarat penting?
• Apakah penjelasan yang dipangkas ternyata dibutuhkan untuk mengambil keputusan?

Jawaban lebih pendek tidak otomatis lebih benar. Jawaban lebih panjang juga tidak otomatis lebih aman. Ukuran yang paling berguna adalah apakah informasi yang kamu perlukan masih tersedia dan bisa diverifikasi.

Inti Caveman

• Fungsi utama: Caveman memadatkan jawaban AI dengan memangkas basa-basi, pengulangan, dan prosa yang tidak perlu.
• Penghematan token: Klaim hingga 75% terutama berlaku pada teks penjelasan, bukan seluruh biaya sesi coding.
• Batas kompresi: Token input, kode, dan reasoning tetap perlu dihitung karena tidak otomatis dipangkas Caveman.
• Pilihan mode: Mulai dari Lite atau Full sebelum mencoba Ultra yang lebih singkat dan berisiko ambigu.
• Penggunaan tepat: Caveman cocok untuk debugging, commit message, code review singkat, dan tugas teknis berulang.
• Situasi berisiko: Gunakan bahasa normal saat membahas keamanan, migrasi database, deployment, arsitektur, atau instruksi bersyarat.
• Cara menguji: Bandingkan token, akurasi, keterbacaan, latency, dan jumlah klarifikasi selama beberapa hari.

Intinya, Caveman berguna sebagai alat untuk membuat coding agent lebih ringkas, bukan sebagai jaminan penghematan biaya dalam setiap sesi. Mulai secara bertahap, ukur hasilnya, lalu gunakan hanya pada pekerjaan yang tetap mudah diverifikasi (lihat ).

Checklist

• Setup: Pilih satu coding agent untuk percobaan awal.
• Config: Aktifkan mode Lite atau Full terlebih dahulu.
• Verify: Pastikan kode, command, path, dan angka tetap benar.
• Secure: Buat backup file konfigurasi sebelum melakukan kompresi.
• Test: Bandingkan token, akurasi, keterbacaan, dan kebutuhan klarifikasi.
• Review: Matikan Caveman untuk task berisiko atau kompleks.
• Ship: Gunakan Caveman hanya setelah hasil uji tetap jelas.
• Referensi resmi:.