Caveman, un skill à 75 000 étoiles, promet de réduire de 75 % la consommation de tokens dans Copilot

Après le changement de tarification de Copilot, les développeurs ont commencé à atteindre leurs limites mensuelles de tokens dès la première semaine de travail. Dans les chats professionnels, tout le monde cherche comment économiser, et un skill revient avec insistance parmi les suggestions : Caveman. Le README du dépôt promet jusqu'à 75 % d'économie sans perte de qualité. Nous examinons son fonctionnement et ce qu'il vaut en pratique.

Qu'est-ce que Caveman

L'idée est désarmante de simplicité : une instruction spéciale dans le prompt système ordonne au modèle de langage de s'exprimer comme un homme des cavernes, sans articles, sans formules introductives, avec des phrases extrêmement courtes. Le principe du « parler concis » réduit le volume de tokens de sortie à chaque réponse, et la consommation totale quotidienne baisse nettement. Les auteurs affirment que l'économie peut atteindre 75 %, et ce sans dégradation de la qualité.

Le dépôt a récolté plus de 75 000 étoiles sur GitHub, un chiffre impressionnant pour un outil à la mécanique conceptuellement aussi simple. C'est justement la viralité du skill qui a déclenché la vague de discussions dans les chats d'équipe après le changement de politique tarifaire de Copilot.

Pourquoi les limites de tokens sont devenues un problème

Copilot est passé à une nouvelle tarification, et le coup a frappé surtout les équipes qui utilisent beaucoup les assistants IA, avec des dizaines, voire des centaines de requêtes par jour. Les développeurs atteignent le plafond plus vite que prévu, et loin de tous sont prêts à payer un supplément pour élargir leurs forfaits.

Les méthodes d'économie classiques sont connues depuis longtemps :

• Écrire des prompts courts et précis
• Ne pas transmettre de contexte superflu à chaque requête
• Retirer les instructions répétitives de la conversation
• Limiter la taille de la fenêtre de contexte
• Ne pas demander au modèle de « réfléchir à voix haute » quand ce n'est pas nécessaire

Tout cela fonctionne, mais exige un effort conscient de chaque membre de l'équipe à chaque requête. Caveman propose une solution systémique : on ajoute l'instruction une fois au prompt système, et le modèle passe de lui-même en mode économe, sans contrôle supplémentaire.

Comment le skill économise techniquement des tokens

Au fond, Caveman est un ensemble d'instructions qui force le modèle à comprimer ses réponses au maximum. La mécanique clé consiste à réduire les tokens de sortie, qui coûtent plus cher que les tokens d'entrée chez la plupart des fournisseurs. Chaque paragraphe superflu, formule introductive ou répétition représente de l'argent réel en usage intensif. Si le modèle adopte un style télégraphique à chaque requête, l'économie totale sur des centaines d'interactions par jour peut effectivement être substantielle.

Le chiffre de 75 % est théoriquement atteignable avec une compression agressive, surtout si les tâches ne demandent ni explications détaillées ni longue documentation.

« 75 000 étoiles sur un dépôt, ça ne peut pas se tromper ? »

C'est avec cette question que l'auteur entame les tests pratiques.

Où le skill peut échouer

Le scepticisme est ici justifié. La formule « parle comme un homme des cavernes » est floue, et les modèles l'interprètent différemment. En pratique, l'économie apparente se transforme facilement en dépenses supplémentaires : le modèle supprime des explications importantes et l'utilisateur pose trois questions de clarification au lieu d'une.

Le style télégraphique complique la lecture du code commenté. Pour les tâches de documentation, une compression excessive donne un résultat illisible.

Ce qu'il faut appeler une « perte de qualité » est une autre question. Si la tâche est correctement accomplie sur le plan technique, mais que l'explication est si comprimée que le développeur ne comprend pas la logique, s'agit-il d'économie ou de dégradation ? Les auteurs du skill ne visent apparemment que les tokens, pas l'effort cognitif nécessaire pour déchiffrer la réponse.

Le bénéfice réel dépend du type de tâche. Pour les questions courtes et les petits fragments de code, le skill fonctionne bien. Pour un refactoring complexe ou l'explication de choix d'architecture, il peut faire plus de mal que de bien.

Ce que cela signifie

La viralité de Caveman est le symptôme d'une tendance plus large : les outils d'IA renchérissent, les limites se durcissent et la communauté cherche des moyens systémiques de rester dans son budget. Un vrai test montrera si le style « homme des cavernes » vaut ses 75 000 étoiles en pratique, ou s'il ne s'agit que de beaux chiffres dans un README.