O que é TOON (Token-Oriented Object Notation)?

TOON é um formato de dados compacto e legível projetado especificamente para trabalhar com Modelos de Linguagem Grandes (LLM). Reduz o uso de tokens em 30-60% em comparação com JSON, mantendo legibilidade e estrutura. TOON utiliza formatação baseada em indentação semelhante a YAML e elimina pontuação redundante ao declarar nomes de campos uma vez para dados tabulares, tornando-o ideal para transmitir dados estruturados para modelos de IA onde os custos de tokens são importantes.

Descrição da ferramenta

O gerador TOON aleatório cria dados fictícios realistas no formato TOON usando a biblioteca Faker.js. Defina sua estrutura de dados usando um modelo JSON com marcadores de posição Faker.js (como {{person.firstName}} ou {{number.int(1,100)}}), e a ferramenta gera múltiplos registos de dados fictícios formatados como TOON eficiente em tokens. Perfeito para testar aplicações LLM, criar conjuntos de dados de exemplo ou gerar respostas API fictícias num formato tanto amigável para IA quanto rentável.

Exemplos

Modelo de entrada:

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

Saída (5 registos com delimitador vírgula):

[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

Funcionalidades

  • Integração Faker.js: Use mais de 100 métodos Faker.js para dados fictícios realistas
  • Geração baseada em modelos: Defina sua estrutura de dados uma vez usando JSON com marcadores de posição
  • Múltiplas opções de delimitadores: Escolha entre vírgula (padrão), tabulação ou barra vertical para eficiência ideal de tokens
  • Geração em lote: Crie múltiplos registos de uma vez com fusão automática de arrays
  • Saída eficiente em tokens: Reduza custos de tokens LLM em 30-60% em comparação com dados JSON equivalentes

Casos de uso

  • Gerar dados de utilizador fictícios para testar chatbots de IA ou aplicações LLM
  • Criar conjuntos de dados de exemplo para treino ou testes com custos de tokens reduzidos
  • Gerar dados de teste para desenvolvimento de API que serão consumidos por LLMs
  • Criar dados de demonstração realistas para apresentações em formatos amigáveis para IA