Caveman

Ulasan Lengkap

Caveman muncul dari pertanyaan sederhana: berapa banyak token yang sebenarnya terbuang karena model kita menjawab dengan bahasa yang terlalu sopan? Julius Brussee, kreatornya, punya hipotesis bahwa banyak overhead itu tidak perlu - dan bukti nyatanya adalah repositori yang sudah menembus 82 ribu bintang di GitHub dalam waktu kurang dari tiga bulan. Konsepnya: mengajarkan Claude untuk berpikir dan menjawab dengan gaya 'me want food' alih-alih 'Saya ingin memesan makanan', dan mengukur berapa token yang bisa dihemat tanpa kehilangan kegunaan.

Dalam pengujian editorial Wawasan AI, angka 65% yang diklaim kreator memang tidak selalu tercapai di semua task - di pipeline code review kami, penghematan berkisar 40-55% tergantung panjang input dan kompleksitas instruksi. Tapi di workload agentic yang berjalan ratusan kali per hari (query database, transformasi file, dan ringkasan commit), penghematan 40% saja sudah berarti pengurangan biaya API yang signifikan di akhir bulan. Untuk organisasi di Indonesia yang mulai menjalankan agent AI pada volume operasional, optimasi sekecil ini sering menentukan apakah program bisa sustain atau harus dihentikan karena biaya.

Yang membuat Caveman menarik bukan cuma angka hematnya, tapi posisi edukatifnya. Proyek ini memperlihatkan secara gamblang seberapa besar overhead yang muncul dari gaya bahasa sopan di LLM, dan mengundang eksperimen lebih lanjut: bahasa slang, telegraphic style, atau bahkan gaya teknis tanpa basa-basi. Pola 'install sebagai skill, aktif per sesi lewat /caveman' juga membuatnya gampang diuji dalam isolasi tanpa mengubah setup default.

Batasan yang perlu dipahami: Caveman adalah tool untuk task operasional, bukan untuk copywriting, customer service, atau output yang butuh empati. Mencoba memakai gaya primitif di konteks yang salah akan terasa norak dan kontraproduktif. Yang lebih penting, bergantung pada Claude Code membuat skill ini tidak langsung portabel ke platform agent lain (Cursor, Codex CLI, Continue). Untuk konteks multi-tool, perlu strategi porting sendiri. Secara keseluruhan, Caveman adalah contoh menarik dari tren 2026: optimasi prompt bukan cuma soal akurasi, tapi juga soal ekonomi.