Was ist TOON (Token-Oriented Object Notation)?

TOON ist ein kompaktes, menschenlesbares Datenformat, das speziell für die Arbeit mit Large Language Models (LLMs) entwickelt wurde. Es reduziert die Token-Nutzung um 30-60% im Vergleich zu JSON, während Lesbarkeit und Struktur erhalten bleiben. TOON verwendet eine einrückungsbasierte Formatierung ähnlich wie YAML und eliminiert redundante Interpunktion, indem Feldnamen einmal für tabellarische Daten deklariert werden, was es ideal für die Übertragung strukturierter Daten an KI-Modelle macht, bei denen Token-Kosten wichtig sind.

Tool-Beschreibung

Der Zufalls-TOON-Generator erstellt realistische Mock-Daten im TOON-Format unter Verwendung der Faker.js-Bibliothek. Definieren Sie Ihre Datenstruktur mit einer JSON-Vorlage mit Faker.js-Platzhaltern (wie {{person.firstName}} oder {{number.int(1,100)}}), und das Tool generiert mehrere Datensätze mit Dummy-Daten im token-effizienten TOON-Format. Perfekt zum Testen von LLM-Anwendungen, Erstellen von Beispieldatensätzen oder Generieren von Mock-API-Antworten in einem Format, das sowohl KI-freundlich als auch kosteneffizient ist.

Beispiele

Eingabevorlage:

[
  {
    "id": "{{string.uuid}}",
    "firstName": "{{person.firstName}}",
    "email": "{{internet.email}}",
    "age": "{{number.int(18,80)}}"
  }
]

Ausgabe (5 Datensätze mit Komma-Trennzeichen):

[5]{id,firstName,email,age}:
  a1b2c3d4-e5f6-7890-abcd-ef1234567890,Alice,alice.smith@example.com,45
  b2c3d4e5-f6a7-8901-bcde-fa2345678901,Bob,bob.jones@test.org,28
  c3d4e5f6-a7b8-9012-cdef-ab3456789012,Charlie,charlie.brown@demo.net,67
  d4e5f6a7-b8c9-0123-defa-bc4567890123,Diana,diana.wilson@sample.io,33
  e5f6a7b8-c9d0-1234-efab-cd5678901234,Eve,eve.davis@mock.com,52

Funktionen

  • Faker.js-Integration: Verwenden Sie über 100 Faker.js-Methoden für realistische Dummy-Daten
  • Vorlagenbasierte Generierung: Definieren Sie Ihre Datenstruktur einmal mit JSON und Platzhaltern
  • Mehrere Trennzeichenoptionen: Wählen Sie zwischen Komma (Standard), Tabulator oder senkrechtem Strich für optimale Token-Effizienz
  • Batch-Generierung: Erstellen Sie mehrere Datensätze auf einmal mit automatischer Array-Zusammenführung
  • Token-effiziente Ausgabe: Reduzieren Sie LLM-Token-Kosten um 30-60% im Vergleich zu äquivalenten JSON-Daten

Anwendungsfälle

  • Generieren Sie Mock-Benutzerdaten zum Testen von KI-Chatbots oder LLM-Anwendungen
  • Erstellen Sie Beispieldatensätze für Training oder Tests mit reduzierten Token-Kosten
  • Generieren Sie Testdaten für API-Entwicklung, die von LLMs konsumiert werden
  • Erstellen Sie realistische Demo-Daten für Präsentationen in KI-freundlichen Formaten