# schopplich-toon-json-llm-token-optimization-2025-10-22

## Veille

TOON-Serialisierungsformat für LLMs optimiert, senkt Token-Kosten um 30-60 % - GitHub - Johann Schopplich

## Titre Article

TOON - Token-Oriented Object Notation: JSON for LLMs at half the token cost

## Date

2025-10-22

## URL

https://github.com/johannschopplich/toon

## Keywords

TOON, LLM, Token-Optimierung, Datenserialisierung, JSON, YAML, CSV, TypeScript, LLM-API, Datenkompression, API-Kosten, Datenformat, LLM-Architektur

## Authors

Johann Schopplich (@johannschopplich)

## Ton

**Profil:** Entwickler-Innovation | Ich-Perspektive des Schöpfers | Technisch-pragmatisch | Experte

Schopplich (unabhängiger Entwickler) nimmt eine problemlösungsorientierte Stimme ein und präsentiert das TOON-Format als Antwort auf die praktischen Herausforderungen der LLM-API-Kosten. Das GitHub-Projektformat betont das Open-Source-Teilen. Die auf Optimierung ausgerichtete Sprache (30-60 % Token-Reduktion, Serialisierung, Kompression) zeugt von kostenbewusstem Engineering. Ein pragmatischer Schöpferton, der ein nützliches Werkzeug bietet statt einer akademischen Innovation. Die klare Struktur Problem → Lösung → Benchmarks erleichtert die Adoptionsentscheidung. Typisch für Open-Source-Projekte unabhängiger Entwickler, die konkrete Probleme lösen und sich an kostenbewusste Praktiker richten, die Effizienzgewinne in ihren LLM-Workflows suchen.

## Pense-betes

- TOON reduziert den Token-Verbrauch im Vergleich zu JSON um 30-60 %, in manchen Fällen bis zu 65 %
- Hybridformat, das YAML (hierarchische Einrückung) und CSV (Tabellenformat) vereint
- Abruf-Genauigkeit: 86,6 % (TOON) vs. 83,2 % (JSON) - besseres Verständnis durch LLMs
- Minimalistische Syntax: keine Anführungszeichen, reduzierte Klammern, Einrückung für die Struktur
- Metadaten in Array-Headern: `key[N]{field1,field2}:` für explizite Validierung
- Projekt erstellt am 22. Oktober 2025, letzte Aktivität am 27. Oktober 2025
- Anwendungsfälle: analytische Exporte, GitHub-Listen, verschachtelte E-Commerce-Bestellungen
- Erhebliche Einsparungen für Organisationen mit massiven Mengen an LLM-Anfragen
- Lesbarkeit überlegen gegenüber herkömmlicher Binärkompression
- Optimierte Alternative zu JSON, YAML, CSV und XML für den LLM-Kontext

## RésuméDe400mots

TOON ist ein innovatives Datenserialisierungsformat, das speziell zur Optimierung von Aufrufen großer Sprachmodelle entwickelt wurde. Im Gegensatz zu JSON, das eine ausführliche Syntax mit wiederholten Anführungszeichen und Klammern erfordert, reduziert TOON den Token-Verbrauch drastisch – eine direkt abrechenbare Ressource bei LLM-Interaktionen. Das Projekt zeigt Reduktionen von 30 bis 60 % bei den Token im Vergleich zu JSON, wobei einige Szenarien je nach strukturierten Daten Einsparungen von bis zu 65 % erreichen.

Die Architektur des Formats vereint Konzepte aus YAML (Einrückung für Hierarchien) mit CSV (Tabellenformat für einheitliche Daten). Dieser Hybridansatz erweist sich als besonders effektiv für repetitive Strukturen – Sammlungen identischer Objekte, bei denen jeder Datensatz dieselben Felder aufweist. Die minimalistische Syntax eliminiert redundante Trennzeichen und verwendet ausschließlich Leerzeichen zur Kennzeichnung von Verschachtelungen sowie Kommas für interne Trennungen.

Technisch kodiert TOON kritische Metadaten in Array-Headern: `key[N]{field1,field2}:` gibt N Elemente mit den angegebenen Feldern an. Dieser explizite Ansatz verbessert die Validierung durch LLMs und erleichtert das Parsen komplexer Strukturen. Benchmarks zeigen eine Datenabruf-Genauigkeit von 86,6 % gegenüber 83,2 % bei JSON, was belegt, dass die Kompaktheit nicht zu Lasten des Modellverständnisses geht.

Die Anwendungsfälle reichen von analytischen Datenexporten über GitHub-Repository-Listen bis hin zu verschachtelten E-Commerce-Bestellungen. Für Organisationen, die massive Mengen an LLM-Anfragen verwalten, generiert diese Optimierung erhebliche Einsparungen bei den API-Kosten, während Entwickler von einer Syntax profitieren, die lesbarer ist als herkömmliche Binärkompression.

Das am 22. Oktober 2025 von Johann Schopplich erstellte Projekt stellt eine pragmatische Antwort auf ein konkretes wirtschaftliches Problem dar: Jedes bei einer LLM-Interaktion verbrauchte Token verursacht direkte finanzielle Kosten. Indem es die Ausführlichkeit von JSON halbiert und dabei das Modellverständnis beibehält – oder sogar verbessert –, bietet TOON einen unmittelbaren Wettbewerbsvorteil für KI-intensive Anwendungen.

Die Innovation liegt in der Balance zwischen technischer Optimierung und menschlicher Lesbarkeit. Anders als binäre Kompressionsformate, die undurchsichtig werden, bleibt TOON interpretierbar, was Debugging und Wartung erleichtert. Diese Eigenschaft erweist sich in Produktionsumgebungen als entscheidend, in denen die Transparenz der mit LLMs ausgetauschten Daten zu einer Frage von Governance und Compliance wird.

## GrapheDeConnaissance

- Johann Schopplich —a_créé→ TOON (TECHNOLOGIE, 0.99)
- TOON —réduit→ consommation de jetons (CONCEPT, 0.99)
- TOON —améliore→ précision de récupération (CONCEPT, 0.95)
- TOON —est_basé_sur→ YAML (TECHNOLOGIE, 0.92)
- TOON —est_basé_sur→ CSV (TECHNOLOGIE, 0.92)
- TOON —remplace→ JSON (TECHNOLOGIE, 0.88)
- TOON —réduit→ coût API LLM (CONCEPT, 0.97)
- Johann Schopplich —publie→ toon-format/toon (TECHNOLOGIE, 0.99)
- toon-format/toon —utilise→ TypeScript (TECHNOLOGIE, 0.95)
- TOON —s_oppose_à→ compression binaire (CONCEPT, 0.85)
- organisations LLM —utilise→ TOON (TECHNOLOGIE, 0.87)
- TOON —améliore→ lisibilité humaine (CONCEPT, 0.88)

---
Canonical: https://www.thekb.eu/de/fiches/schopplich-toon-json-llm-token-optimization-2025-10-22/