Hva er TOON (Token-Oriented Object Notation)?

TOON er et kompakt, menneskelesbart dataformat designet spesifikt for å jobbe med store språkmodeller (LLM). Det reduserer token-bruken med 30-60% sammenlignet med JSON mens lesbarhet og struktur beholdes. TOON bruker innrykksbasert formatering lik YAML og eliminerer redundant tegnsetting ved å deklarere feltnavn én gang for tabelldata, noe som gjør det ideelt for å overføre strukturerte data til AI-modeller hvor token-kostnader er viktige.

Verktøybeskrivelse

Den tilfeldige TOON-generatoren skaper realistiske mock-data i TOON-format ved hjelp av Faker.js-biblioteket. Definer datastrukturen din ved hjelp av en JSON-mal med Faker.js-plassholdere (som {{person.firstName}} eller {{number.int(1,100)}}), og verktøyet genererer flere poster med dummy-data formatert som token-effektiv TOON. Perfekt for testing av LLM-applikasjoner, oppretting av eksempeldatasett eller generering av mock API-svar i et format som er både AI-vennlig og kostnadseffektivt.

Eksempler

Inngangsmal:

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

Utdata (5 poster med kommaskilletegn):

[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

Funksjoner

  • Faker.js-integrasjon: Bruk over 100 Faker.js-metoder for realistiske dummy-data
  • Malbasert generering: Definer datastrukturen din én gang ved hjelp av JSON med plassholdere
  • Flere skilletegnalternativer: Velg mellom komma (standard), tabulator eller loddrett strek for optimal token-effektivitet
  • Batch-generering: Opprett flere poster samtidig med automatisk array-sammenslåing
  • Token-effektiv utdata: Reduser LLM token-kostnader med 30-60% sammenlignet med tilsvarende JSON-data

Brukstilfeller

  • Generer mock-brukerdata for testing av AI-chatboter eller LLM-applikasjoner
  • Opprett eksempeldatasett for trening eller testing med reduserte token-kostnader
  • Generer testdata for API-utvikling som skal brukes av LLM-er
  • Opprett realistiske demo-data for presentasjoner i AI-vennlige formater