Symmetrische Effizienz: Prompten wie ein Höhlenmensch

Warum Mensch und Maschine wie Höhlenmenschen kommunizieren sollten

In der Softwareentwicklung des Jahres 2026 stehen wir vor einer neuen wirtschaftlichen Realität: der Token-Ökonomie. Während KI-Modelle immer leistungsfähiger werden, entwickeln sich explodierende API-Gebühren und überfüllte Kontextfenster zu den grössten Produktivitätskillern. Die Lösung für dieses Problem ist radikal primitiv—wir nennen es die Caveman-Symmetrie.

Es geht nicht mehr nur darum, dass die KI kürzer antwortet. Es geht darum, die gesamte Kommunikation zwischen Mensch und Agent auf das technisch Notwendige zu reduzieren.

Die höfliche Ineffizienz

Standard-LLMs sind durch Reinforcement Learning from Human Feedback darauf trainiert, freundlich, ausführlich und erklärend zu sein. In einem professionellen Agent-Workflow ist diese Höflichkeit jedoch teurer Blindtext. Sätze wie “Gerne helfe ich dir beim Refactoring dieser Funktion…” kosten bares Geld und verdrängen wertvollen Code aus dem Kontextfenster.

Die Lösung? Effizienz in beide Richtungen.

1. Input-Effizienz: Prompten wie ein Höhlenmensch

Effizienz beginnt beim Menschen. Anstatt komplexe, prosaische Anweisungen zu schreiben, sollten wir Caveman Prompting adaptieren.

• Vermeide Prosa: Statt “Erstelle mir bitte einen Button, der beim Anklicken eine Nachricht anzeigt”, prompte: “Button, onClick Alert”.
• Spezifität spart Exploration: Vage Prompts zwingen Agenten dazu, die gesamte Codebase zu durchsuchen, was massiv Input-Tokens frisst. Ein präziser Caveman-Prompt wie src/routes/users.ts Zeile 42, Null-Check falsch führt den Agenten direkt zum Ziel.
• AGENTS.md als README.md für Maschinen: Eine AGENTS.md fungiert als Caveman-Handbuch für dein Projekt. Eine gute AGENTS.md ist kurz (<150 Zeilen), nutzt Code-Beispiele statt Text und enthält direkt ausführbare Befehle am Anfang. Studien belegen, dass Agenten dadurch 28.6% schneller arbeiten und 16.6% weniger Tokens verbrauchen.

2. Output-Effizienz: Der Caveman Mode

Auf der Gegenseite sorgt der Caveman Mode dafür, dass auch die KI den sprachlichen Ballast abwirft. Durch Tools wie das Open-Source-Plugin caveman wird das Modell gezwungen, in einer Persona zu antworten, die nur das Wesentliche liefert.

Die Ergebnisse dieser primitiven Sprache sind beeindruckend:

• Token-Ersparnis: Der Output wird um 65% bis 75% reduziert. Da Output-Tokens oft bis zu fünfmal teurer sind als Input-Tokens, sinken die Kosten drastisch.
• Höhere Genauigkeit: Eine Studie des Sweden Polytechnic Institute (April 2026) zeigt, dass strikte Kürze-Beschränkungen die Genauigkeit von Modellen um bis zu 26.3 Prozentpunkte verbessern können, da Overthinking vermieden wird.
• Informationsdichte: Technische Präzision bleibt erhalten. Code-Blöcke und Zahlen werden 1:1 geliefert, nur die erklärende Hülle wird komprimiert.

Der Caveman-Stack für Agent-Native Development

Um das Maximum aus deinen KI-Workflows herauszuholen, kombinieren wir diese Techniken zu einem effizienten Stack:

• Caveman Code: Ein Coding-Agent, der nativ auf Token-Kompression optimiert ist.
• Cavemem: Ein persistentes Gedächtnissystem, das relevante Informationen über das Model Context Protocol injiziert, statt den gesamten Chat-Verlauf immer wieder neu zu senden.
• Caveman Compress: Ein Tool, das sogar Projektdateien vor dem Senden in Höhlenmensch-Sprache übersetzt, um die Input-Kosten um ca. 45% zu senken.

Weniger Wörter, mehr Code

Im Jahr 2026 ist die Fähigkeit, Informationen radikal zu komprimieren, kein Hobby für Optimierer mehr, sondern eine wirtschaftliche Notwendigkeit. Die Caveman-Symmetrie—effizientes Prompting durch den Menschen und knappe Antworten durch die Maschine—schafft Codebases, die Agents nicht nur verstehen, sondern in denen sie mit minimalen Kosten maximale Ergebnisse liefern.