Token-Kosten in agentischer KI senken — Teil 1: Wohin die Tokens fließen, Caveman und Ponytail

Serie: Token-Kosten in agentischer KI senken. Teil 1: Wohin die Tokens fließen, Caveman und Ponytail (du bist hier) · Teil 2: code-review-graph und Hooks · Teil 3: Headroom, Auto-Updates und das kombinierte Setup

Coding-Agenten wie Claude Code, Codex oder Cursor werden pro Token abgerechnet oder verbrauchen pro Token das Nutzungslimit eines Abos. Eine lange Agenten-Session liest schnell Millionen Tokens. Inzwischen gibt es ein ganzes Ökosystem an Werkzeugen, die versprechen, diese Rechnung um „50 bis 90 Prozent“ zu senken.

Diese Serie schaut sich vier der populärsten nacheinander an:

WerkzeugWas es verkleinertWo es läuft
CavemanAntworten des Agenten, Memory-Dateien, Berichte von SubagentenSkill/Plugin im Agenten (seit v4 plus optionaler Proxy)
PonytailDie Menge an Code, die der Agent schreibtSkill/Plugin im Agenten
code-review-graphWie viel Quellcode der Agent liestLokaler MCP-Server plus Hooks
HeadroomTool-Ausgaben, Logs und JSON, bevor sie beim Modell ankommenLokaler Proxy zwischen Agent und API

Für jedes Werkzeug geht es um den Mechanismus, die Installation, die Konfiguration, die veröffentlichten Zahlen und die Kosten, die auf keiner Landingpage stehen. Zahlen, die der Hersteller gemessen hat, und unabhängig gemessene Zahlen halte ich strikt auseinander. Alle Versionen und Zahlen habe ich am 13.11.2026 geprüft.

Wohin die Tokens einer Agenten-Session fließen

Bevor wir Werkzeuge vergleichen, brauchen wir ein Modell der Rechnung. Ein Agenten-Turn ist ein API-Request. Dieser Request enthält:

  1. Systemprompt, Tool-Definitionen und Regeldateien. Claude Codes eigener Systemprompt, jedes MCP-Tool-Schema, CLAUDE.md, aktive Skills. Das wird mit jedem Request gesendet.
  2. Den Gesprächsverlauf. Jede frühere Nachricht, jedes Tool-Ergebnis, jede Antwort. Mit Prompt Caching wird das meiste davon als günstiger Cache Read abgerechnet, aber eben in jedem Turn.
  3. Frische Tool-Ergebnisse. Die Datei, die der Agent gerade gelesen hat, die grep-Treffer, 400 Zeilen Testausgabe.
  4. Die Ausgabe. Antworttext, Code, Tool-Aufrufe. Ausgabe-Tokens sind die teuerste Sorte: Laut Headroom-README kostet Ausgabe bei Modellen der Opus-Klasse das Fünffache der Eingabe.
Jeder Turn sendet den ganzen Kontext erneut. Die vier Werkzeuge greifen an verschiedenen Stellen an: Memory-Dateien, frische Tool-Ausgaben, Anzahl der Datei-Lesevorgänge und die Ausgabe.

Daraus folgen zwei Dinge, die fast jeden Benchmark in dieser Serie erklären:

  • Ausgabe ist pro Token teuer, aber mengenmäßig klein. In Agenten-Sessions besteht der Großteil der Tokens aus Eingabe und Cache Reads. Ein Caveman-Nutzer hat über 662 Claude-Code-Sessions einen Ausgabe-Anteil von 0,3 % aller Tokens gemessen (berichtet in Cavemans HONEST-NUMBERS.md). Ein Werkzeug, das nur Antworten kürzt, kann die Ausgabe stark senken und die Rechnung trotzdem kaum bewegen.
  • Alles, was man dem Prompt hinzufügt, kostet in jedem Turn. Ein Skill mit 1.000 Tokens, der pro Antwort 300 Ausgabe-Tokens spart, lohnt sich nur bei ausreichend langen Antworten. Eine kürzere Antwort spart dafür später auch Eingabe, weil sie in jedem folgenden Turn als Verlauf erneut gelesen wird.

Dieses Modell sollte man im Kopf behalten. Die ehrliche Frage an jedes Werkzeug lautet nicht „Wie viele Tokens entfernt es?“, sondern „Sinkt die Rechnung des Anbieters für dieselbe Aufgabe?“

Caveman: weniger sagen, weniger lesen

Caveman (Apache-2.0, aktuelles Release v4.1.0 vom 08.11.2026) begann im April 2026 als Scherz-Skill, der Claude wie einen Höhlenmenschen reden ließ. Das Beispiel aus dem README zeigt es am besten: „The reason your React component is re-rendering is likely because…“ (63 Tokens) wird zu „New object ref each render, so React re-renders. Wrap the prop in useMemo.“ (20 Tokens).

Wie es Tokens spart

Heute ist Caveman eine Familie von Mechanismen. Für Nutzer von Claude Code relevant sind:

  • Die Caveman-Stimme (/caveman, /ultracave, /megacave). Ein Skill, dessen Regeln sich an ASD-STE100 orientieren, dem kontrollierten Englisch aus Wartungshandbüchern der Luftfahrt: Antwort zuerst, ein Gedanke pro Satz, keine Begrüßung, keine Zusammenfassung. Code, Befehle, Pfade und Fehlermeldungen bleiben Byte für Byte erhalten. Verneinungen (not, never, only) und Zahlen fallen nie weg. Sicherheitswarnungen und irreversible Aktionen bekommen ganze Sätze. Deine eigenen Prompts werden nie umgeschrieben.
  • /caveman-compress <datei> schreibt eine Memory-Datei wie CLAUDE.md im Caveman-Stil neu und behält das Original als CLAUDE.original.md. Da Memory-Dateien mit jedem Request gesendet werden (Punkt 1 oben), spart das Eingabe in jedem Turn jeder Session.
  • cavecrew liefert Subagenten (cavecrew-investigator, cavecrew-builder, cavecrew-reviewer), deren Abschlussberichte im Caveman-Stil komprimiert sind. Berichte von Subagenten landen als Tool-Ergebnis im Hauptgespräch. Ein kürzerer Bericht hält den Hauptkontext also für den Rest der Session kleiner.
  • Seit v4 installiert der @caveman-ai/cli-Installer eine lokale Schicht mit weiteren „Rocks“: Komprimierung von Logs, JSON und Testausgaben, bevor das Modell sie liest („Read less“), einen Auto-Modell-Router, wiederverwendbare Skripte („Blocks“) und einen komprimierten Web-Reader. Das überschneidet sich mit Headroom, das ich in Teil 3 behandle.

Installation

Wer nur das Plugin mit Stimme, caveman-compress und cavecrew möchte, installiert es als Claude-Code-Plugin:

Linux / macOS

claude plugin marketplace add JuliusBrussee/caveman
claude plugin install caveman@caveman

Windows (PowerShell)

claude plugin marketplace add JuliusBrussee/caveman
claude plugin install caveman@caveman

In einer laufenden Claude-Code-Session funktioniert dasselbe als Slash-Befehle: /plugin marketplace add JuliusBrussee/caveman, danach /plugin install caveman@caveman. Das Plugin startet automatisch in jeder interaktiven Session, Subagenten eingeschlossen.

Der vollständige v4-Installer braucht Node.js 22.13 oder neuer und richtet jeden gefundenen Agenten ein (Claude Code, Codex, Gemini CLI, OpenCode und weitere):

Linux / macOS

npx @caveman-ai/cli@latest
caveman status      # was ist aktiv, welche Agenten werden erreicht
caveman doctor      # ein Problem pro Zeile, mit Lösung

Windows (PowerShell)

npx @caveman-ai/cli@latest
caveman status      # was ist aktiv, welche Agenten werden erreicht
caveman doctor      # ein Problem pro Zeile, mit Lösung

Falls Node.js noch fehlt: das LTS-Release von nodejs.org installieren oder über den Paketmanager (winget install OpenJS.NodeJS.LTS unter Windows, brew install node unter macOS).

Konfiguration und Alltag

BefehlWirkung
/caveman, /caveman lite|full|ultraStimme bzw. Intensität umschalten
stop caveman oder /caveman offZurück zu normalen Antworten
/caveman-compress CLAUDE.mdMemory-Datei komprimieren, Backup in CLAUDE.original.md
/caveman-statsToken-Verbrauch der aktuellen Session, gelesen aus dem Claude-Code-Session-Log
caveman off browse (CLI)Einzelne v4-Komponente abschalten; caveman status listet sie
caveman telemetry off (CLI)Nutzungsstatistik der CLI abschalten

Zwei Datenschutz-Hinweise aus dem README: Der Skill allein sendet nichts, aber /caveman-compress schickt die Datei zum Umschreiben an deinen Modell-Anbieter. Die v4-CLI sendet standardmäßig Nutzungsstatistiken (Befehle, Token-Zahlen, Betriebssystem, IP; keine Prompts, kein Code); abschalten mit caveman telemetry off oder DO_NOT_TRACK=1. Der optionale Auto-Router schickt deinen letzten Prompt samt angehängtem Kontext an Caveman Cloud, sobald du dich anmeldest und ihn auswählst.

Die Zahlen

Cavemans eigenes README ist ungewöhnlich offen, und die Seite HONEST-NUMBERS.md listet, wo Caveman verliert. Das Diagramm trennt die Eval des Projekts von externen A/B-Tests:

Nur Reduktion der Ausgabe-Tokens. Blau: Cavemans eigene Eval (10 Fragen, Opus 5.5, gegen eine schlichte „Answer concisely.“-Anweisung). Orange: externe A/B-Tests aus HONEST-NUMBERS.md. Bei LemonCrow sank die Ausgabe um 44 %, die Gesamtkosten stiegen um 0,06 %.
MessungWer hat gemessenAufbauErgebnis
Stimme vs. „Answer concisely.“Caveman (Hersteller)10 Entwicklerfragen, Opus 5.5, ein Durchlauf, Regeln v3.1.0/caveman −3 %, /ultracave −35 % Ausgabe im Median
Overhead der RegelnCaveman (Hersteller)—etwa 1.160 Eingabe-Tokens pro Request
/caveman-compressCaveman (Hersteller)5 Memory-Datei-Fixtures6.198 → 4.138 Tokens (−33,2 %), 22,8–49,1 % pro Datei
Read-less-Proxy, ganze SessionsCaveman (Hersteller)54 Claude-Code-Läufe, 6 Dateitypen, Engine von 08/2026−33,2 % Eingabe; HTML wurde 9,9 % schlechter
JetBrainsUnabhängig86 echte Coding-Aufgaben, gepaarter A/B-Test−8,5 % Ausgabe-Tokens, kein messbarer Qualitätsverlust (p = 0,82)
LemonCrow (#727)Unabhängig20 Prompts × 5 Wiederholungen × 3 Läufe, 300 Läufe pro ArmAusgabe −44,1 %, Gesamtkosten +0,06 %
edubraqd (#733)Unabhängig10 Fragen auf pt-BR, Haiku 4.5, zusätzlich zu einer CLAUDE.md, die schon knappe Antworten verlangtAusgabe −8 %; über 662 Sessions Nettoeffekt auf die Rechnung innerhalb ±0,2 %

Ein Vorbehalt zur JetBrains-Zeile: Der Beitrag im JetBrains-AI-Blog hat während meiner Recherche automatisierte Zugriffe abgelehnt. Die Zahlen stammen daher aus Cavemans eigener Zusammenfassung und aus der Presseberichterstattung über den Beitrag (InfoWorld, The New Stack). Dort heißt es außerdem, JetBrains habe etwa 10 % erwartete Kostenersparnis gesehen, oft überlagert von der Streuung einzelner Läufe.

Das Muster ist eindeutig: Die Stimme kürzt Antworten zuverlässig, aber Antworten sind ein kleiner Teil der Agenten-Rechnung. Moderne Modelle antworten bereits recht knapp, wenn man „be concise“ sagt; gegen diese Basis bringt die Standardstufe /caveman nur noch 3 %. Der Hersteller schreibt selbst, dass Agenten-Sessions „mostly code and tool calls, which the voice leaves alone“ sind. Genau deshalb komprimiert v4 inzwischen die Eingabe.

Kosten und wann es nicht hilft

  • Fester Eingabe-Overhead. Die Regeln kosten etwa 1.160 Tokens pro Request. Bei kurzen Fragen und Antworten kann das die Ersparnis übersteigen; Issue #145 dokumentiert einen Nettoverlust.
  • Abrechnung pro Request. GitHub Copilot rechnet Premium-Requests ab, keine Tokens. Eine kürzere Antwort bleibt ein Request; Caveman spart dort nichts (#506).
  • Retries und erneutes Einspeisen der Regeln. Ein Cursor-A/B in #550 zeigte 4,3 Mio. Tokens mit Caveman gegenüber 1 Mio. ohne. Das war nicht reproduzierbar, zeigt aber, dass erneut eingespeiste Regeln und Retries die Ersparnis bei der Ausgabe überrollen können.
  • Lesbarkeit. Telegrammstil ist gut für Statusmeldungen und lästig bei Erklärungen, aus denen man lernen will. Beim Einarbeiten in Neues lieber abschalten.
  • caveman-compress verändert eine Datei, die auch Menschen lesen. Die CLAUDE.md des Teams wird zum Telegramm. Das .original.md-Backup gehört unter Versionskontrolle, oder man komprimiert eine separate Datei nur für den Agenten.

Die Faustregel des Herstellers ist die richtige: Die vom Anbieter abgerechneten Summen für dieselbe Aufgabe mit und ohne Caveman vergleichen und es für Workloads abschalten, bei denen es verliert.

Ponytail: weniger Code schreiben

Ponytail (MIT, aktuelles Release v5.3.3 vom 29.10.2026) setzt „den faulen Senior-Entwickler“ in den Agenten: den mit dem langen Pferdeschwanz, der sich deine fünfzig Zeilen ansieht und sie durch eine ersetzt. Technisch ist es ein einziger Prompt, skills/ponytail/SKILL.md, plus Hooks und Befehle drumherum.

Wie es Tokens spart

Ponytail komprimiert nichts. Es ändert, was der Agent zu bauen beschließt. Bevor er Code schreibt, steigt er eine Leiter hinauf und bleibt auf der ersten Sprosse stehen, die trägt:

  1. Muss das überhaupt existieren?
  2. Gibt es das schon in dieser Codebasis?
  3. Kann es die Standardbibliothek?
  4. Gibt es ein natives Plattform-Feature?
  5. Gibt es eine bereits installierte Abhängigkeit?
  6. Geht es in einer Zeile?
  7. Erst dann: der minimale Code, der funktioniert, plus ein kleiner Test, wenn er Logik enthält.

Ausdrücklich nie gekürzt werden: Validierung an Vertrauensgrenzen, Fehlerbehandlung gegen Datenverlust, Sicherheit und Barrierefreiheit. Das Beispiel aus dem README: Gefragt nach einem Datepicker hat ein Agent ohne Skill einen Kalender von Hand gebaut (335 Zeilen); mit Ponytail 5 hat er die vorhandene Input-Komponente mit type="date" wiederverwendet (10 Zeilen).

Weniger Code bedeutet weniger Ausgabe-Tokens, weniger Dateien zum Zurücklesen, einen kürzeren Diff im Review und weniger Turns. Die Token-Ersparnis ist ein Nebeneffekt von YAGNI, und deshalb mag ich es auch jenseits der Rechnung.

Installation

Linux / macOS

claude plugin marketplace add DietrichGebert/ponytail
claude plugin install ponytail@ponytail

Windows (PowerShell)

claude plugin marketplace add DietrichGebert/ponytail
claude plugin install ponytail@ponytail

Die Standardform im README sind die beiden Slash-Befehle /plugin marketplace add DietrichGebert/ponytail und /plugin install ponytail@ponytail in Claude Code. Für Codex lauten sie codex plugin marketplace add DietrichGebert/ponytail und codex plugin add ponytail@ponytail; danach unter /hooks den beiden Hooks vertrauen. Andere Agenten (Cursor, Copilot, Windsurf, Gemini …) bekommen AGENTS.md oder die Skill-Datei, siehe INSTALL.md.

Als Plugin installieren, nicht als lose Skill-Datei. JetBrains hat festgestellt, dass eine nackte SKILL.md im Skills-Ordner „zero times in ten sessions“ benutzt wurde; erst der Session-Start-Hook des Plugins aktiviert es zuverlässig. Das README warnt außerdem: nur aus DietrichGebert/ponytail auf GitHub oder @dietrichgebert/ponytail auf npm installieren, es kursieren Kopien.

Konfiguration und Alltag

BefehlWirkung
/ponytail lite|full|ultra|offIntensität; full ist Standard
/ponytail-reviewReview des aktuellen Diffs: Bugs, Sicherheit, Last, fehlende Tests, was weg kann
/ponytail-auditDieselbe Prüfung für das ganze Repository, priorisiert
/ponytail-debtSammelt alle shortcut:-Kommentare in einer Schuldenliste
/ponytail-gainZeigt die Benchmark-Anzeigetafel
/ponytail band [on|off]Statusleiste über dem Prompt (Kosten, Tokens, Agentenzeit; Claude Code ≥ 2.1.290)

Eine Konfigurationsdatei ist nicht nötig. Optional setzt ~/.config/ponytail/config.json oder die Umgebungsvariable PONYTAIL_DEFAULT_MODE die Standardstufe.

Die Zahlen

Blau: der Ponytail-5-Benchmark des Autors (Opus 5.5, 39 Aufgaben, je 5 Läufe, Okt. 2026). Orange: JetBrains’ unabhängiger Test der älteren v4.8.4 (Sonnet 5, 80 gepaarte Aufgaben, Juli 2026). Unterschiedliche Versionen, Modelle und Aufgaben, also als Spanne lesen, nicht als Widerspruch.

Hersteller-Benchmark (2026-10-07-agentic.md): headless Claude-Code-Sessions mit Opus 5.5, 39 Aufgaben (12 Features im echten full-stack-fastapi-template, 18 chirurgische Aufgaben mit versteckten Prüfungen, 9 kleine Apps und Beispiele), 5 Läufe pro Aufgabe und Arm, 585 Sessions. Die Ergebnisse sind geometrische Mittel der Median-Verhältnisse pro Aufgabe mit 95-%-Bootstrap-Intervallen:

vs. ohne SkillPonytail 595-%-Intervall
Codezeilen−53 %−63 … −41 %
Ausgabe-Tokens−45 %−54 … −35 %
Kosten−26 %−36 … −16 %
Zeit−41 %−49 … −32 %
Versteckte Prüfungen bestanden87/90 (ohne Skill: 86/90)—

Die Methode ist sorgfältig (frischer Temp-Ordner pro Session, CLAUDE.md und Auto-Memory aus, blinde Bewertungen mit Selbsttests). Ihre Grenzen nennt der Autor selbst: Bash war in allen Armen deaktiviert, gemessen wird also, was der Agent schreibt, nicht wie er debuggt; und es ist der Autor, der sein eigenes Werkzeug misst.

Unabhängiger Test (JetBrains-AI-Blog, Juli 2026, Ponytail 4.8.4, Sonnet 5 mit mittlerem Effort, 80 gepaarte Aufgaben aus SkillsBench, zusammengefasst von Capital & Compute): −15,4 % Codezeilen und −10,3 % Kosten für eine typische Aufgabe (p = 0,004, günstiger bei 46 Aufgaben, teurer bei 34). Die Token-Reduktion bei Verlauf und Eingabe war statistisch nicht signifikant. Qualität: 65 Aufgaben gleich, 9 etwas schlechter, 6 etwas besser, was JetBrains „a null result, not a clean bill of health“ nennt.

Die Lücke zwischen −26 % und −10 % Kosten hat dieselbe Ursache wie bei Caveman: Ponytail senkt Ausgabe und Turns, aber der Großteil der Rechnung ist Eingabe und Cache Reads. Saubere Feature-Arbeit in einem echten Repository profitiert am meisten, gemischte Arbeit mit viel Erkunden weniger.

Kosten und wann es nicht hilft

  • Die Regeln kosten Eingabe. Jeder Request trägt den Skill mit. Bei winzigen Aufgaben kann der Overhead die Ersparnis übersteigen; ein GitHub-Issue (#121) fand je nach Modell Kostenänderungen von −13 % bis +55 % für eine einzelne Aufgabe.
  • „Weniger Code“ ist eine Ermessensfrage. Manchmal ist die 120-Zeilen-Klasse genau das Richtige. Man diskutiert gelegentlich mit ihm. Für Scaffolding, bei dem man Breite will, /ponytail lite oder off nutzen.
  • Debugging ist nicht gemessen. Der Hersteller-Benchmark hat die Shell deaktiviert; für lange Debugging-Sessions gibt es keine Zahlen.
  • Es ist ein Regelwerk, keine Garantie. Die versteckten Prüfungen zeigen, dass Code damit nicht unsicherer wird; sie zeigen nicht, dass er sicherer wird.

Caveman und Ponytail zusammen

Beide arbeiten auf Prompt-Ebene und zielen auf die Ausgabe, also überschneiden sie sich: Ponytail verlangt bereits kurze Antworten, die mit „was übersprungen wurde und welche Risiken bestehen“ enden. Beide gleichzeitig bedeutet, zwei Regelwerke in jedem Request zu bezahlen. Meine Einschätzung: zuerst Ponytail, weil weniger geschriebener Code auch Reviews, Verlauf und künftige Lesevorgänge verkleinert. Die Caveman-Stimme nur dazunehmen, wenn die Antworten danach noch zu lang sind, und messen. caveman-compress für Memory-Dateien und cavecrew für Subagenten-Berichte sind davon unabhängig und lassen sich gut kombinieren.

Beide Werkzeuge reduzieren nur, was der Agent schreibt. Der größere Teil der Rechnung ist, was er liest. Darum geht es in Teil 2: code-review-graph, das breites Datei-Lesen durch gezielte Graph-Abfragen ersetzt, und in Teil 3: Headroom, das Tool-Ausgaben komprimiert, bevor das Modell sie sieht.

Quellen