实战：用Caveman Learn找出CLAUDE.md中的Token浪费并修复-港品优选

实战：用Caveman Learn找出CLAUDE.md中的Token浪费并修复

【免费下载链接】caveman🪨 why use many token when few token do trick — Claude Code skill that cuts 65% of tokens by talking like caveman项目地址: https://gitcode.com/GitHub_Trending/caveman1/caveman

如果你每天都在用 Claude Code、Codex 等 AI 编程代理，可能没意识到：你的 CLAUDE.md 每回合都在悄悄烧 Token。Caveman 是一个号称"砍掉 65% Token"的 Claude Code 技能，而它的Caveman Learn功能正是为这类问题而生的"体检仪"——它扫描你本地的代理历史，量化每个配置文件的 Token 开销，并给出一份带修复建议的排名清单。本文就带你走一遍完整流程：用caveman learn找出 CLAUDE.md 里的 Token 浪费，再配合caveman-learn技能逐条确认修复。

为什么 CLAUDE.md 是头号 Token 浪费源

AI 代理每启动一个会话，都会把你的 CLAUDE.md 全文塞进上下文窗口。文件里多写一行，之后的每一回合都要为它付费。写久了没人管的 CLAUDE.md 往往塞满历史决策、一次性任务说明、重复的规则——这就是 Caveman 术语里的"配置税"。

上图是caveman learn生成的真实报告：左侧是 TLDR 总结和节省卡片，右侧是按"Token 流量"排名的浪费点（token sinks），每个浪费点后面都跟着一行修复建议。

一键体检：caveman learn 怎么用

在装有 Caveman 的终端里，直接运行：

caveman learn # 扫描 Claude Code + Codex + Gemini CLI + opencode 历史 caveman learn --since 7d # 只看最近 7 天 caveman learn --json # 输出机器可读的 JSON

整个过程是本地、只读、免账号的——分析器只读你的历史，绝不改任何文件。它给你两个核心输出：

Cave Score（洞穴评分）：由四个封顶扣分项合成的健康分，分数越低说明配置越臃肿
Token Sinks 排名表：每个浪费点标明类别（安全可修 / 可外置 / 行为习惯 / 承重配置）和预估的每回合 Token 消耗

详细参数说明见官方 CLI 文档：docs/technical/cli-reference.md。

看懂报告：四类 Token 浪费点

类别	含义	处理方式
reducible（可削减）	臃肿的 CLAUDE.md、从不被调用的技能	给出具体 diff，只在实测降低 Token/回合后才落地
recurring_context（重复上下文）	每个会话都重新粘贴的固定内容块	外置到 cavemem 记忆库，留一个廉价"指针"
habit（行为习惯）	高频重试等模式	只给数字和温和建议，从不强制执行
load-bearing（承重）	真正离不开的配置	计入评分但永不触碰

这个分类设计保证了一件事：修配置不会把你的代理变笨。

实战三步：定位并修复 CLAUDE.md 的浪费

第一步：量化浪费

caveman learn report --json

在排名的浪费点里找到claude_md_weight:project这一行——它对应你的 CLAUDE.md。行上会标出文件字节数折算的 Token 数、每回合开销，以及建议动作（trim 精简）。

第二步：让代理帮你改（逐条确认）

caveman learn implement # 把修复计划交给你自己的 Claude Code 或 Codex

这条命令会带着计划打开你正在用的代理，并加载 skills/caveman-learn/ 里的caveman-learn技能。该技能的行为被严格约束：

先展示报告中的评分与排名清单；
只对你选择处理的浪费点，生成具体 diff，并给出修改前后的"Token/回合"对比；
每个修改单独问你是否同意，没有"全部应用"的暗箱操作；
应用后重新测量——如果改完 Token/回合没有下降，自动回滚（这叫"净 Token 为负"门禁）。

技能本体在 skills/caveman-learn/SKILL.md，安装方式见 skills/caveman-learn/README.md：

caveman skills install caveman-learn # 装到当前仓库 caveman skills install caveman-learn --user # 装到所有仓库

以本仓库为例，根目录的 CLAUDE.md 就是这类技能的操作对象：报告指出其中哪些段落是"只在当时有用的任务说明"，代理就会提议删除这些段落并展示 diff，你答 yes 才动手。

第三步：记账 + 验证效果

修复落地后执行：

caveman learn applied claude_md_weight:project --fix-kind config_trim

这会把"修了什么、何时修、修前数值"记入 Caveman 的结果库。以后再跑caveman learn，它会对比修复后的新会话，诚实地报告：improved（变好了）/ unchanged（没变）/ regressed（变差了，给出回滚路径）/ insufficient_data（数据不够）。没有虚假的胜利。

进阶：长块上下文外置到 cavemem

有些内容不是 CLAUDE.md 写得啰嗦，而是你每个会话都手工粘贴同一大段背景（接口约定、环境信息等）。这类浪费点属于 recurring_context，修复方式是"外置"：

把这块内容存入 cavemem：caveman mem remember -- "<内容块>"
从 CLAUDE.md 删掉原块，换成一行指针，例如：回忆方式：caveman mem recall "<主题>"
技能会实际跑一次 recall 验证内容真的能找回来，找不回来就整体撤销

cavemem 的完整实现见 mem/。外置是否划算同样过"净 Token 为负"门禁：指针 + 召回成本必须低于原来每回合整块加载的开销。

诚实性保障：这套方案最值得看的地方

Caveman 的文档把"诚实"写成了硬规则，见 skills/caveman-learn/README.md：

所有数字都标记为inferred（推断值），永不冒充"已验证"，不换算成美元金额；
分析器caveman learn从不编辑你的文件，只有技能在你说 yes 之后才会写；
每一处修改都可逆，报告会精确列出改了什么；
"召回失败就回滚"是防止代理变笨的最后一道闸。

企业官网建设流程全解析