caveman + rtk——AIコーディングアシスタントのトークン最適化完全ガイド

"Why use many token when few token do trick?" —— cavemanのスローガン

---

1. 概要

AIコーディングアシスタントの利用が一般化するにつれ、APIコストとコンテキストトークンの消費は開発者にとってますます大きな負担になっている。こうした背景の中、2つの革新的なオープンソースプロジェクトが登場した。

cavemanは「多くのトークンを使う理由は何か、少ないトークンでも用が済むのに」という発想から出発している。AIが不要な言い回しなしで核心だけを伝えるよう誘導し、技術的正確性を100%維持しながら出力トークンを約65~75%削減する。2026年4月のリリース以降、短期間でGitHubスター71,000以上(2026年6月時点)を獲得し、大きな注目を集めた。

rtk(Rust Token Killer)はCLIコマンドの出力をリアルタイムでフィルタリング・圧縮するプロキシツールで、LLMコンテキストに到達する前に入力トークンの使用量を60~90%削減する。単一のRustバイナリとして作られており依存関係がなく、10ms未満のオーバーヘッドしか発生させず、GitHubスター42,000以上を保有している。

2つのツールは異なるレイヤー(入力/出力)を担当するため、共に使用すると相乗効果が最大化される。

---

2. caveman

2.1 背景

cavemanは、AIの過度な話法と不要な言い回しがコストと効率性に与える影響を批判的に見る視点から生まれた。2026年3月にarXivで発表された論文(「Brevity Constraints Reverse Performance Hierarchies in Language Models」、番号2604.00025)は、AIが短く簡潔に答えるほど特定のベンチマークで精度がむしろ最大26ポイント向上し得ることを証明した。cavemanはこの学術的発見を実用的なツールとして実装したものである。

Claudeは基本的に親切かつ冗長に応答するよう訓練されている。これは一般的な対話では利点だが、自動化された開発パイプラインにおいては高コストな非効率である。cavemanはこのデフォルトを変え、コード・URL・ファイルパスなどの技術的情報はbyte-perfectに保ちながら自然言語の装飾だけを取り除く。

2.2 効果

項目	効果
出力トークン削減	平均6575%(範囲2287%)
応答速度向上	約3倍速く
技術的正確性	100%維持
入力トークン削減	CLAUDE.mdなどの設定ファイル圧縮時に約46%削減
API コスト削減例	1日10,000回のAPI呼び出し基準で年間約$7,665節約(Claude Sonnet基準)

2.3 圧縮強度レベル

cavemanは状況に応じて調整可能な4段階の強度レベルを提供する。

レベル	説明	例
lite	文法を維持、不要な修飾語を除去	"Your component re-renders because you create a new object reference each render."
full	冠詞・挨拶を除去、文を簡潔化	"New object ref each render. Inline object prop = new ref = re-render."
ultra	最大圧縮、専門用語は維持	"Inline obj prop → new ref → re-render. useMemo."
wenyan	古典中国語スタイル	"物出新參照，致重繪。useMemo Wrap之。"

実際の比較例

通常の応答:

I've successfully completed the refactoring of the authentication module.
The changes include updating the token validation logic to handle edge cases
more gracefully, adding appropriate error handling, and ensuring backwards
compatibility with the existing API contracts.

caveman ultra適用後:

Auth module refactored. Token validation, error handling, backward compat.

同じ情報を伝えながらトークンが約75%削減される。

2.4 追加ユーティリティコマンド

コマンド	機能
/caveman-commit	50文字以内の簡潔なコミットメッセージを生成
/caveman-review	1行のPRコメントを作成
/caveman-stats	リアルタイムのトークン統計とコストを表示
/caveman-compress	CLAUDE.mdなどの設定ファイルを圧縮

2.5 インストールと使用法

macOS / Linux / WSL

curl -fsSL https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.sh | bash

Windows(PowerShell)

irm https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.ps1 | iex

Claude Codeで有効化

# スキルを登録
claude skills add JuliusBrussee/caveman

# 基本有効化
/caveman

# 強度を指定して有効化
/caveman ultra

# 無効化
stop caveman

CLAUDE.md / AGENTS.mdに直接挿入(システムプロンプト方式)

You are a code assistant. Respond in caveman speak only. No pleasantries.
No greetings, no sign-offs, no narration. Just the answer.

サポートプラットフォーム:Claude Code、Codex、Gemini CLI、Cursor、Windsurf、Cline、GitHub Copilotなど34以上のAIコーディングツール

2.6 注意事項

cavemanは出力トークンにのみ効果がある。思考・推論(thinking/reasoning)トークンは影響を受けない。「Caveman no make brain smaller. Caveman make mouth smaller.」したがって、コード生成が主な作業である場合よりも、対話・ブレインストーミング・Q&Aのようにやり取りの多いセッションで効果が顕著になる。

---

3. rtk(Rust Token Killer)

3.1 背景

AIコーディングエージェントがテスト実行、リンティング、gitコマンドなどを実行する際に生成される大量のログとコンソール出力は、莫大な入力トークンを消費する。例えばgit status一つだけで2,000トークンが発生し、cargo testを実行すると200行以上の出力がそのままコンテキストウィンドウに注入される。エージェントはそのすべての行を読む。

rtkはコマンド出力がLLMコンテキストに到達する前の段階でフィルタリングと圧縮を適用し、この問題を解決する。ワークフローの変更なしに透過的に動作する。

3.2 効果

項目	数値
トークン削減率	60~90%
サポートコマンド	100以上
オーバーヘッド	10ms未満
依存関係	なし(単一Rustバイナリ)
GitHubスター	42,000+(2026年6月)
ライセンス	Apache-2.0

3.3 核心的な圧縮戦略

rtkは4つの戦略で出力を圧縮する:

1. Smart Filtering:ANSIコード、プログレスバー、コメント、過度な空白、ボイラープレートを除去
2. Group Aggregation:似た項目をまとめる(ディレクター別ファイル、種類別エラーなど)
3. Intelligent Truncation:関連コンテキストを維持、重複を除去
4. Deduplication:繰り返される行をカウントに縮約

圧縮前後の比較:git status

通常の出力(約2,000トークン):

On branch main
Your branch is ahead of 'origin/main' by 1 commit.
  (use "git push" to publish your local commits)

Changes not staged for commit:
  (use "git add <file>..." to update what will be staged)
  (use "git restore <file>..." to discard changes in working directory)
        modified:   src/auth/token.ts

no changes added to commit (use "git add" and/or "git commit -a")

rtk適用後(約400トークン):

main...origin/main ~ Modified: 1 files src/auth/token.ts

LLMが必要とする情報(ブランチ、変更されたファイル)だけを残し、残りを除去する。

3.4 コマンド別削減効果(30分セッション基準)

コマンド	実行回数	通常トークン	rtk適用後	削減率
ls / tree	10回	2,000	400	80%
cat / read	20回	40,000	12,000	70%
grep / rg	8回	16,000	3,200	80%
git status	10回	3,000	600	80%
git diff	5回	10,000	2,500	75%
git add/commit/push	8回	1,600	120	92%
npm test / cargo test	5回	25,000	2,500	90%
pytest	4回	8,000	800	90%
go test	3回	6,000	600	90%
docker ps	3回	900	180	80%
合計	—	~118,000	~23,900	80%

3.5 インストールと使用法

Homebrew(macOS、推奨)

brew install rtk

Linux / macOS直接インストール

curl -fsSL https://raw.githubusercontent.com/rtk-ai/rtk/refs/heads/master/install.sh | sh

# PATHに追加(zsh基準)
echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.zshrc
source ~/.zshrc

Cargoでインストール

cargo install --git https://github.com/rtk-ai/rtk

Windows:リリースページからrtk-x86_64-pc-windows-msvc.zipをダウンロード後、rtk.exeをPATHに登録。

Claude Code連携(自動フッキング)

# Claude CodeのPreToolUseフックを自動インストール
rtk init -g --claude-md

# インストール確認
rtk --version

# 動作テスト
rtk git status

rtk init -g実行時、~/.claude/settings.jsonにPreToolUseフックが自動追加され、すべてのBashコマンドがrtkを経由してルーティングされる。手動でコマンドの前にrtkを付ける必要はない。

削減統計の確認

# 累積削減統計とASCIIグラフを確認
rtk gain

# 日別JSON書き出し
rtk gain --json

# 見逃している削減機会を探索
rtk discover

設定のカスタマイズ(~/.config/rtk/config.toml)

[filters]
exclude_commands = ["echo", "pwd"]
tee_mode = true   # 失敗時に元の出力を復元

[project.myapp]
extra_filters = ["*.lock"]

3.6 注意事項

短いコマンドはrtkを経由してもトークンがむしろわずかに増加する可能性がある(rtkヘッダーのオーバーヘッド)。すでに構造化された短い出力はそのまま通過させる。rtk gainで実際の削減量を確認し、1週間後も10%以上の削減がない場合はrtk init -g --uninstallでの削除を検討すること。

---

4. caveman + rtk統合最適化ガイド

4.1 統合コンセプト:入力+出力の双方向最適化

2つのツールは異なるレイヤーで動作するため、共に使用すると効果が最大化される。

[開発者コマンド]
     |
     v
[rtk CLIプロキシ]  <-- コマンド出力をフィルタリング/圧縮(60~90%削減)[入力最適化]
     |
     v
[LLMへ送信]   (入力トークン最適化完了)
     |
     v
[LLM処理]
     |
     v
[LLM応答]
     |
     v
[caveman変換]   <-- 応答を簡潔に変換(65~75%削減)[出力最適化]
     |
     v
[最終圧縮応答]

全体削減率:80~95%

ツール	役割	削減対象
rtk	CLI出力をLLMに入れる前に圧縮	入力トークン
caveman	LLM応答を簡潔に変換	出力トークン

4.2 統合設定方法

ステップ1:cavemanのインストールとスキル登録

curl -fsSL https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.sh | bash
claude skills add JuliusBrussee/caveman

ステップ2:rtkのインストールとClaude Code連携

brew install rtk          # macOS
rtk init -g --claude-md   # Claude CodeのPreToolUseフックを自動インストール

ステップ3:~/.claude/settings.jsonにセション開始フックを追加

{
  "hooks": {
    "SessionStart": [
      {
        "command": "echo 'RTK proxy active. Caveman mode ready.'"
      }
    ]
  }
}

ステップ4:シェルエイリアスの登録(任意、~/.zshrcまたは~/.bashrc)

# rtkプロキシを自動適用
for cmd in git ls cat grep rg cargo npm pytest go docker kubectl; do
  alias $cmd="rtk $cmd"
done

ステップ5:caveman設定ファイル(プロジェクトルートに.caveman.configを作成)

mode=ultra
exclude_files=Dockerfile,*.log
always_compress_tokens=true

4.3 応用:OmniRoute Stackedモード

OmniRoudeは複数のLLM最適化エンジンを統合パイプラインにまとめるツールである。caveman + rtkをStackedモードで連結すると、1つの設定で2つのツールが自動的に順序どおり動作する。

{
  "compression": {
    "mode": "stacked",
    "pipeline": ["rtk", "caveman"],
    "caveman_intensity": "ultra",
    "rtk_filters_path": ".rtk/filters.json"
  }
}

4.4 削減効果まとめ

構成	削減率	削減対象
rtk単独	60~90%	コマンド出力(入力トークン)
caveman単独	65~75%	LLM応答(出力トークン)
rtk + caveman組み合わせ	80~95%	入力+出力全体

4.5 実際の使用シナリオ別コマンド例

シナリオ1:テスト失敗のデバッグ

# rtkが失敗したテストのみを抽出し、cavemanが分析を簡潔に返す
rtk cargo test
# caveman応答例:"3 tests fail: auth::token_expired, db::conn_timeout, api::rate_limit. See logs."

シナリオ2:コードレビューの依頼

# rtkがdiffを圧縮し、cavemanがレビューを1行で返す
rtk git diff HEAD~1
/caveman-review
# 応答例:"Missing null check in token.ts:42. Add early return."

シナリオ3:コミットメッセージの生成

rtk git status
/caveman-commit
# 応答例:"fix: null check in token validation"

シナリオ4:長いログの要約

rtk grep "ERROR" app.log
# caveman ultra応答例:"14 errors: 11x DB timeout, 3x auth fail. Peak 14:30-15:00."

シナリオ5:依存関係の点検

rtk npm list --depth=0
# rtkが重複・不要な情報を除去し、核心的なパッケージリストのみを伝達

4.6 実利用者の経験

2つのツールを組み合わせた利用者は一貫した効果を報告している。30分のセッションで枯渇していたClaude Codeのコンテキストが3時間以上に延長され、反復的なCLI作業が多い環境(テスト駆動開発、大規模git履歴の探索など)で効果が特に顕著である。

---

5. コスト削減計算機(簡易推算)

Claude Sonnet基準(2026年初め時点、入力$3/百万トークン、出力$15/百万トークン):

条件	月間コスト(最適化前)	caveman適用後	rtk適用後	両ツール組み合わせ
個人開発者(小規模)	$50	~$17	~$15	$510
10人チーム(中規模)	$2,500	~$800	~$500	$125250
エンタープライズパイプライン	$10,000+	~$3,000	~$2,000	$5001,000

実際の削減額は作業種類、LLMモデル、使用パターンによって異なる。rtk gainと/caveman-statsで実測値を確認すること。

---

6. おわりに

cavemanとrtkはそれぞれ独自の方式でLLMコスト最適化にアプローチしている。cavemanは出力最適化、rtkは入力最適化に特化しており、2つのツールは完全に相互補完的である。

核心的な原則は単純だ。LLMのデフォルトはコスト効率ではなく人間に親しみやすい応答に最適化されている。cavemanは応答のスタイルを変え、rtkはコンテキストのノイズを除去する。この2つのツールを通じて、AIコーディングアシスタントをより安く、より速く、より集中した方法で活用できる。

---

7. 参考資料

項目	リンク
caveman GitHub	https://github.com/JuliusBrussee/caveman
rtk GitHub	https://github.com/rtk-ai/rtk
rtk公式サイト	https://www.rtk-ai.app
arXiv論文(2604.00025)	https://arxiv.org/abs/2604.00025
Claude Plugin Hub - caveman	https://www.claudepluginhub.com/plugins/juliusbrussee-caveman

GitHubスター数および数値データは2026年6月時点であり、プロジェクトは継続的に発展している。最新情報は各リポジトリの公式ドキュメントを参照すること。