TOON (Token-Oriented Object Notation) is a data serialization format designed specifically for LLM prompts to be highly efficient. It dramatically reduces token usage by 30-60% compared to JSON while remaining structured and human-readable. By using a tabular format for arrays and minimal syntax for objects, TOON makes your data cheaper and faster to process with AI models.

What's the difference between TOON and JSON?

The key difference is token efficiency. JSON is verbose, with brackets, quotes, and commas that consume tokens. TOON is a more compact syntax designed for LLMs, representing arrays as tables with headers and using minimal punctuation. This efficiency directly translates to significant cost savings on your LLM API bills, especially for large or repeated datasets.

How much can I save with TOON?

You can typically expect to save 30-60% on LLM tokens compared to using JSON. For large datasets or frequent API calls, this translates directly into significant cost savings. Data with repeated structures, like API responses or database results, often sees savings at the higher end of this range (40-60%).

Is TOON compatible with all LLMs?

Yes. TOON is a simple text format that works flawlessly with all major large language models, including those from OpenAI (GPT-4), Anthropic (Claude), Google (Gemini), and Meta (LLaMA). Since any LLM can process plain text, they can all be instructed to understand and parse the TOON format with a simple instruction in your prompt.

Can I convert TOON back to JSON?

Absolutely. TOON is fully and losslessly reversible. Our converter tool supports bidirectional conversion, meaning you can convert TOON back to the exact original JSON structure without any data loss. This allows you to use TOON for efficiency and then convert back to JSON for compatibility with other tools.

What types of data work best with TOON?

TOON can represent any valid JSON data, but it delivers the highest token savings (40-60%) on uniform tabular data. This includes database query results, API responses with lists of objects, analytics data, or product catalogs. While TOON fully supports nested objects and arrays, the token reduction is most dramatic with flatter, more repetitive data structures.

Is my data safe when using this converter?

100% safe. All conversion from JSON to TOON (and back) happens locally in your browser. Your data is never sent to any server, never stored, and never seen by us. The converter even works offline once the page has loaded, guaranteeing your information remains private.

Yes, completely free. Both this TOON converter and the underlying TOON format specification are open and free to use without any limits, file size restrictions, or premium features. It's an open-source effort to make working with LLMs more efficient for everyone.

TOON'u LLM'lerle kullanma

Yüksek Lisans

Hızlı Mühendislik

ChatGPT veya Claude'a büyük bir JSON dizisi yapıştırdıysanız, muhtemelen bağlam penceresinin kapanmasının acısını hissetmişsinizdir. JSON, web API'leri için harikadır, ancak Büyük Dil Modelleri (LLM'ler) için inanılmaz derecede israftır. Her bir kayıt için "id":, "name": ve "timestamp": gibi alan adlarının tekrarlanması yalnızca gereksiz değildir; gerçek paraya ve değerli bağlam alanına mal olan tokenleri tüketir.

TOON'un (Tablo Nesne Gösterimi) parladığı yer burasıdır. Bu yalnızca bir veri formatı değildir; LLM etkileşimlerini optimize etmeye yönelik bir stratejidir. TOON, JSON'un sözdizimi vergisini ortadan kaldırarak ve açık yapı başlıkları ekleyerek modellerinize daha fazla veri aktarmanıza ve karşılığında daha güvenilir yapılandırılmış çıktılar almanıza olanak tanır.

TOON'un Token Ekonomisi

Neden format değiştirme zahmetine giresiniz ki? Matematik basittir. Standart bir JSON nesne dizisinde şema her satır için tekrarlanır. 50 kullanıcılı bir listeniz varsa alan adları için 50 kat ödeme yapmış olursunuz.

TOON, şemayı başlıkta bir kez bildirerek bu fazlalığı ortadan kaldırır. Veriler yoğun, akış çizgili bir formatta takip edilir. Pratikte bu, biçimlendirilmiş JSON'a kıyasla tek tip diziler için genellikle belirteç kullanımında %30-60'lık bir azalma ile sonuçlanır. Çok büyük bağlam pencereleriyle veya yüksek hacimli API çağrılarıyla uğraşırken, bu verimlilik doğrudan daha düşük faturalara ve daha düşük gecikmeye dönüşür.

Veri Gönderme: "Göster, Söyleme" Kuralı

Verileri analiz etmek için yüksek lisansa ihtiyacınız olduğunda, hızlı stratejiniz çok önemlidir. Yeni başlayanlar genellikle veri formatını açıklayan uzun paragraflar yazar. TOON ile bunu yapmanıza gerek yok.

LLM'ler model eşleştirme motorlarıdır. TOON'u sezgisel olarak anlıyorlar çünkü eğitim sırasında milyarlarca kez gördükleri YAML ve CSV formatlarının bir karışımı gibi görünüyor.

Veri göndermek için onu çitlerle çevrili bir kod bloğuna sarmanız yeterlidir. Bunu 'çizgi film' olarak etiketleyebilirsiniz, ancak modelin sözdizimi vurgulayıcısı resmi olarak desteklemese bile model yapıyı hemen anlar.

Giriş Örneği

Şemayı tanımlamak yerine bloğu sağlayın:

users[3]{id,name,role,lastLogin} başlığı modele bilmesi gereken her şeyi anlatır: varlık türü, sayı (3 satır) ve alanların sırası. Girinti hiyerarşiyi yönetir. Bu "kendi kendini belgeleme" niteliği, sözdizimi ayrıştırma talimatları yerine gerçek mantık görevine odaklanma isteğinizi serbest bırakır.

İşte kullanıcı etkinliği günlüğü. Veriler TOON formatındadır (2 boşluklu girinti, açık başlıklar). 

kullanıcılar[3]{id,name,role,lastLogin}: 
1,Alice,admin,2025-01-15T10:30:00Z 
2,Bob,kullanıcı,2025-01-14T15:22:00Z 
3,Charlie,kullanıcı,2025-01-13T09:45:00Z 

Görev: Günlükleri analiz edin ve hangi kullanıcıların son 24 saat içinde oturum açmadığını belirleyin. 
''''

Güvenilir Çıktı Oluşturma

Verileri okumak için Yüksek Lisans diplomasına sahip olmak kolaydır; onu geçerli yapılandırılmış verilere generate ulaştırmak işin zor kısmıdır. Modeller halüsinasyon görmeyi, JSON'u kısaltmayı veya diş tellerini kapatmayı unutmayı sever.

TOON, başlık sözdizimi, özellikle de "[N]" sayısı aracılığıyla bir güvenlik katmanı ekler. Bir modelden TOON çıktısı almasını istediğinizde, veriyi oluşturmadan önce bir yapıya bağlı kalmasını istiyorsunuz.

Nesil için İstemde Bulunmak

En iyi sonuçları elde etmek için beklediğiniz başlık biçimini sağlayın ve modele satırları doldurması talimatını verin.

Modelden "[N]" hesaplamasını isteyerek, modelin çıktı boyutunu planlaması gereken bir "düşünce zinciri" sürecini zorlamış olursunuz. Görünüşte küçük olan bu kısıtlama, modelin listenin yarısında kesilmesi olasılığını önemli ölçüde azaltır.

Görev: "Kullanıcı" rolüne sahip etkin kullanıcıların listesini döndürün. 
Biçim: TOON'u kullanın. Başlıktaki [N] değerini, oluşturduğunuz satırların tam sayısıyla eşleşecek şekilde ayarlayın. 

Beklenen format: 
kullanıcılar[N]{id,name,role,lastLogin}: 
''''

Katı Modla Doğrulama

LLM'den yanıt aldığınızda ona güvenmemelisiniz. TOON kütüphanesinin katı modunun üretim uygulamaları için süper güç haline geldiği yer burasıdır.

TypeScript kitaplığını kullanıyorsanız katı modla kod çözme, oluşturulan satırların başlık sayısıyla eşleştiğini doğrular:

Bu, uygulamanızdaki kötü verileri keşfetmek yerine programlı olarak "tembel" model çıktılarını veya ağ kesintilerini anında yakalamanıza olanak tanır.

'@toon-format/toon'dan { decode }'u içe aktarın; 

dene { 
// Model [5] diyor ancak 4 satır sağlıyorsa bu bir hata atar. 
const veri = decode(modelOutput, { strict: true }); 
console.log('Geçerli veri alındı:', veri); 
} yakalamak (hata) { 
console.error('Model halüsinasyonu veya kesilmesi algılandı:', error.message); 
} 
''''

Gelişmiş Optimizasyon: Sekme Hilesi

Optimizasyon konusunda takıntılıysanız (ve LLM dünyasında muhtemelen öyle olmalısınız), sınırlayıcılarınızı akıllıca seçerek daha da fazla verimlilik elde edebilirsiniz.

Virgüller standarttır, ancak sekmeler (\t) çoğu simgeleştirici kelime dağarcığında genellikle tek bir simge olarak temsil edilir. Ayrıca, sekmeler nadiren doğal metin alanlarının içinde görünür, bu da kaçış karakterlerine olan ihtiyacı azaltır (dizeleri tırnak içine almak gibi).

Verilerinizi modele göndermeden önce sekmeleri kullanarak kodlayabilirsiniz:

İstemde modeli bilgilendirmeyi unutmayın: "Veriler sekmeyle ayrılmıştır TOON." Bu, modelin ayrıştırması ve oluşturması son derece kolay olan hiper kompakt bir temsil oluşturur.

const toonPrompt = kodlama(veri, { sınırlayıcı: '\t' }); 
''''

Eksiksiz Bir İş Akışı Örneği

Gerçek dünyadaki bir senaryoya bakalım: sistem günlüklerinin filtrelenmesi. Ham günlükleri modele göndermek ve yapılandırılmış bir hata listesi almak istiyorsunuz.

İstem:

Model Çıktısı:

TOON formatındaki sistem günlükleri (sekmeyle ayrılmış): 

etkinlikler[4]{id,level,message,timestamp}: 
1,hata,Bağlantı zaman aşımı,2025-01-15T10:00:00Z 
2,uyar,Yavaş sorgu,2025-01-15T10:05:00Z 
3,bilgi,Kullanıcı girişi,2025-01-15T10:10:00Z 
4,hata,Veritabanı hatası025-01-15T10:15:00Z 

Görev: 'Hata' düzeyine sahip tüm olayları çıkarın. Sonucu, güncellenmiş başlık sayısıyla birlikte geçerli TOON olarak döndürün. 
''''

Sonuç:

etkinlikler[2]{id,level,message,timestamp}: 
1,hata,Bağlantı zaman aşımı,2025-01-15T10:00:00Z 
4,hata,Veritabanı hatası,2025-01-15T10:15:00Z 
''''

Model, listeyi doğru şekilde filtreledi ve en önemlisi başlığı "olaylar[2]" olarak güncelledi. Bu yanıtın kodunu çözerek uygulama mantığınız için hazır, temiz, tür açısından güvenli bir dizi elde edersiniz.

Özet

TOON, insan tarafından okunabilirlik ile makine verimliliği arasındaki boşluğu dolduruyor. Sağlam yazılım geliştirme için gereken yapıyı sağlarken Yüksek Lisans'ın maliyet kısıtlamalarına saygı duyar.

Küçük tutun: Örneklerinizde 2-5 satır kullanın; model genelleştirilecektir.

Açık olun: Modelin şemayı bilmesi için başlıkları net bir şekilde tanımlayın.

Kesinlikle doğrulayın: Oluşturma hatalarını yakalamak için formatın meta verilerini kullanın.

Hızlı veri yükleriniz için JSON'dan uzaklaşarak yalnızca belirteçlerden tasarruf etmekle kalmaz, aynı zamanda daha güvenilir bir AI işlem hattı oluşturursunuz.