来自 meng shao（@shao__meng）的推文线程

[開源推薦] TOON: 開源序列化格式，專為LLM 設計，用於傳遞結構化資料。它本質上是一種緊湊、確定性的JSON 替代表示形式，能夠顯著減少token 消耗，同時保持資料的完整性和可讀性。 項目目的 TOON (Token-Oriented Object Notation) 的核心目標是最佳化LLM 提示中的結構化資料傳輸。隨著AI 系統上下文視窗的擴展和使用頻率的增加，token 成本成為關鍵瓶頸。 TOON 透過移除JSON 中的冗餘符號（如括號、引號和重複鍵名），將資料轉換為更有效率的格式，特別適用於大型統一數組（如使用者記錄或時間序列資料）。基準測試顯示，它可將token 使用量減少30-60%，從而降低API 呼叫成本並提升LLM 的資料解析可靠性。 關鍵特徵· token 高效：採用類似YAML 的縮排結構和CSV 的表格式陣列表示，僅需聲明一次鍵名，後續資料以行形式呈現，避免重複。 · LLM 友善：內建顯式長度標記和欄位聲明，幫助模型準確驗證和擷取資訊。基準中，TOON 在資料擷取準確率上達73.9%，優於JSON 的69.7%。 · 最小化語法：去除不必要的標點，僅在字串包含空格或特殊字元時使用引號，支援Unicode 和表情符號。 · 靈活選項：允許自訂分隔符號（如逗號、製表符或垂直線）、縮排大小，以及是否要加上長度前綴（如[#3] 表示陣列長度3）。 · 類型支援：處理基本型別外，也可轉換Date、BigInt 等為可序列化的形式；不支援函數或undefined，轉為null。 TOON 並非通用儲存格式，而是針對LLM 輸入的最佳化工具。對於非統一或深度嵌套的數據，其優勢不如簡單表格數據明顯。 和AI 的關聯 TOON 特別適合智慧體和LLM 應用場景，例如處理大量結構化資料的查詢或分析任務。其表格化設計提升了模型的理解和檢索精度，同時減少token 開銷，使大規模AI 系統更具可擴展性。 開源位址