我把那种号称省 Token 的 Skill 叫“电报体 Skill”。

我们小时候语文课要学电报文，老师先给出一件事，比如母亲生病，要让在外地工作的哥哥赶紧回家，然后全班比赛拟电文，看谁用最少的字把事情说得最清楚。

最后能精简到四个字：“母病速归”。但再精简成“母病”或者“速归”都不行，因为收到的人不明白该干嘛或者发生了啥。

那时候要写电报体是为了省钱，电报按字收钱，每个字都是钱。

这种“惜字如金”的技能，现在在 AI 圈子里以 Skill 的形式复活了。

GitHub 上有个叫 Caveman 的项目，2026 年 4 月上线三天就冲上 Trending 第一，目前攒了 8.7 万颗星。它的作者 Julius Brussee 是荷兰莱顿大学一个 19 岁的大一新生，做的事情极其简单：在 Claude Code、Codex 等 AI 编程工具的提示词（prompt）里加一段指令，让 AI 像原始人一样说话。删冠词、删客套、删连接词，只留技术要素。

项目 README 声称能省 65% 的输出 token。听起来很牛逼。但跟电报体一样，这是一个过渡期的产物，而且它在省钱这件事上的效果，远没有看起来那么大。

JetBrains 最近有个测试：《Does Speaking to Agents Like Cavemen Really Save 65% of Tokens? We Test》
https://t.co/Lv4i4wbc1y

他们用 Claude Code 跑 SkillsBench 上的 86 个真实编程任务，装 skill 和不装各跑一遍，同任务、同模型、同预算，前后约 240 次计费试验，总共花了 106 美元。为了给 Caveman 最好的发挥空间，他们还强制它在每次回复中生效。

结果：输出 Token 只省了 8.5%。因为是强制开启，这 8.5% 已经是天花板，日常使用里它得自己判断要不要触发，只会省得更少。

为什么差这么远？因为 65% 这个数字来自聊天场景。你问 AI 一个问题，它回你一大段话，把客套和废话砍掉，确实能省一大半。

但智能体的 Token 消耗大头从来不是在聊天，工具调用、系统提示词、各种 Skills、MCP等等这些才是大头。

Caveman 优化的那部分，在整张账单里本来就是零头。好比公司要压缩差旅费，机票、酒店和打车一项没动，先把每天 2 块钱的矿泉水取消了。

电报体也不是没代价的，一句“Fixed auth. Tests pass.”看起来很省 Token。但它没告诉你修的是登录过期、权限校验还是刷新令牌；跑的是一个单元测试，还是完整测试套件；有没有改数据库；有没有留下兼容性风险。

这些信息不一定每次都要展开成小论文，但不能因为“说话像穴居人”就固定删掉。开发者看不懂 Agent 做了什么，只好追问。Agent 再读一遍文件、再跑一遍测试、再解释一次。前面省下的几十个 Token，很快会被新一轮工具调用吃回去。

电报体能工作，靠的是双方共享大量背景。“母病速归”只有四个字，收报人知道母亲是谁、家在哪里、为什么要回去。编程 Agent 处理的是不断变化的代码和陌生任务，共享背景没那么可靠。

语言越短，对默契的要求越高。啰嗦，有时候就是通信协议里自带的纠错码。

电报体后来怎么样了？没有人宣布废除它。长途通信的价格降到忽略不计之后，“母病速归”自然变回了“妈住院了，你买最早的票回来，到了给我打电话”。省字数是给按字计费时代做的优化，当价格降下去了，优化就没必要了。

Token 也一样，模型单价总体是在下降的，提示词缓存（prompt caching）能让重复读取的上下文便宜差不多九成。

真正能节约成本的是上下文管理和少走弯路。少加载些没必要的 MCP 和 Skills，用聪明一点的模型少一些返工，这都比电报体省钱多了。

点击图片查看原图