Does Speaking to Agents Like Cavemen Save 65% of Tokens? We Test2 days agohttps://blog.jetbrains.com/ai/2026/07/speak-to-ai-agents-like-cavemen-tosave-tok...JetBrains在Claude Code上使用SkillsBench对Caveman技能进行了测试，以验证其节省token的说法。声称的65%输出token节省仅适用于聊天式散文，而非代理任务。在多步骤代理工作中，实际的token节省约为8.5%，而非65%。未检测到质量下降：82项配对任务显示结果在统计上无显著差异。成本节省预期约为10%，但由于异常试验而显得脆弱。建议：使用Caveman技能可以有趣且不损失质量，但不要期望在日常代理任务中大幅节省。
Compressor V2: three compression layers for a 50% LLM agent cost cut24 days agohttps://www.edgee.ai/blog/posts/introducing-compressor-v2-three-compression-laye...由于经济压力和操作瓶颈（如美元成本、延迟、上下文窗口限制和吞吐量），代币压缩对编码代理至关重要。Edgee的Compressor V2包含三种正交策略：简洁性（减少输出代币）、针对MCP工具目录的工具表面减少（TSR），以及针对冗长工具输出的工具结果修剪。使用配对符号检验、自举置信区间和变异系数进行的统计分析显示显著节省：简洁性在SWE-bench Lite上实现约30%的成本降低，TSR减少约33%的代币，工具结果修剪额外增加5-10%的节省。简洁性通过消除输出中的元文本、保留缓存摊销，以及针对最昂贵的代币类别（无需更改前缀）来实现。TSR将工具目录重写为单个虚拟工具，减少前缀膨胀和代币量，特别适用于工具密集型工作负载。这三种策略可组合且针对不同层级（输出、前缀、历史记录），允许用户根据工作负载形态按API密钥启用不同组合。