JSON'dan TOON'a Dönüştürücü

TOON, veriyi insanın okuyabileceği kadar açık, büyük dil modellerinin işleyebileceği kadar kompakt tutmayı amaçlayan bir nesne gösterim biçimidir. JSON gibi anahtar ve değer ilişkisini korur, fakat tekrar eden tırnak, virgül, köşeli parantez ve süslü parantez kullanımını azaltır. Bu yaklaşım özellikle ChatGPT, Claude veya benzeri LLM tabanlı API çağrılarında önem kazanır; çünkü birçok sağlayıcı ücretlendirmeyi işlenen token miktarına göre yapar. JSON'dan TOON'a Dönüştürücü, elinizdeki JSON verisini bu daha kısa gösterime çevirerek aynı anlamı daha az token ile aktarmanıza yardımcı olur. TOON'u bir dosya biçimi olmaktan çok, makine ile insan arasındaki veri iletişimini sadeleştiren pratik bir notasyon olarak düşünmek daha doğrudur. Örneğin bir e ticaret sepetinde urun, adet, birimFiyat ve il gibi alanlar varsa, JSON her satırda biçimsel karakterler taşır. TOON ise yapıyı bozmadan bu yükü azaltır. Bu sayede İstanbul'daki bir teslimat kaydı, Ankara'daki bir stok listesi veya KDV dahil fiyat tablosu daha kısa biçimde modele gönderilebilir. TOON'un amacı JSON'u tamamen değiştirmek değil, özellikle prompt içinde veri taşırken daha ekonomik bir alternatif sunmaktır.

JSON'dan TOON'a Dönüştürücü, önce JSON içindeki hiyerarşiyi okur: nesneler, diziler, metinler, sayılar, doğru yanlış değerleri ve boş değerler ayrıştırılır. Ardından bu yapı, TOON'un daha sade söz dizimine aktarılır. Dönüşümün temel fikri, verinin anlamını korurken biçimsel tekrarları azaltmaktır. JSON'da her metin değeri genellikle tırnakla, her nesne süslü parantezle, her liste köşeli parantezle gösterilir. TOON'da ise girinti, satır düzeni ve anahtar ilişkileri daha belirleyici hale gelir. Bu nedenle aynı müşteri kaydı, aynı sipariş listesi veya aynı ayar dosyası daha az karakter ve çoğu zaman daha az token kullanır. Dönüştürme sürecinde anahtar adları korunur; böylece musteriNo, teslimatIlcesi veya toplamTutar gibi alanları uygulama tarafında takip etmek kolay kalır. Eğer JSON verisi önce dağınık veya hatalı biçimlendirilmişse, dönüşümden önce JSON biçimlendirme kullanmak okunabilirliği artırabilir. Dönüşüm sonrasında TOON çıktısı genellikle prompt içine doğrudan eklenebilir. Yine de üretim ortamında, modelden gelen yanıtı işlemeden önce doğrulama yapmak gerekir. Çünkü TOON daha kompakt olsa da, veri sözleşmesi ve alan tipleri uygulamanın sorumluluğunda kalır.

TOON'un verimli olmasını sağlayan tekniklerden biri anahtar katlama yaklaşımıdır. JSON dizilerinde aynı alan adları tekrar tekrar yazılır. Örneğin bir belediye otopark verisinde her kayıt plaka, girisSaati, ucret ve durum alanlarını taşıyorsa, JSON bu anahtarları her araç için yeniden yazar. TOON ise uygun durumlarda ortak anahtarları üst düzeyde tanımlayıp satırları değer odaklı gösterebilir. Bu yöntem, özellikle benzer yapıda çok sayıda kayıt bulunduğunda ciddi token tasarrufu sağlar. Ayraç seçimi de okunabilirlik ile kompaktlık arasındaki dengeyi etkiler. Bazı veri kümelerinde virgül benzeri ayraçlar yeterli olurken, bazı durumlarda satır tabanlı ayrım daha anlaşılırdır. JSON'dan TOON'a Dönüştürücü bu mantığı kullanarak, verinin hiyerarşisini bozmadan daha yalın bir çıktı üretmeyi hedefler. Geliştirici açısından önemli nokta şudur: TOON çıktısını yalnızca kısa olduğu için değil, ekipteki herkesin yorumlayabileceği kadar açık olduğu için tercih etmek gerekir. Fazla kısaltılmış alan adları ilk bakışta tasarruf sağlar, fakat bakım maliyetini yükseltebilir. Türkiye'de yaygın kullanılan iş alanlarında, örneğin kargo takip, fatura kalemi, okul yoklama listesi veya saha servis formlarında, Türkçe ya da yerleşik alan adlarını tutarlı kullanmak daha sağlıklı sonuç verir.

TOON'un en çok ilgi görmesinin nedeni token tasarrufudur. Büyük dil modeli API'lerinde maliyet çoğu zaman girdi ve çıktı token miktarına bağlıdır. JSON'dan TOON'a Dönüştürücü, gereksiz sözdizimi yükünü azaltarak belirli veri kümelerinde %60 seviyesine varabilen bir kısalma sağlayabilir. Bu oran her veri için aynı değildir. Kısa ve tek nesneli JSON'larda fark sınırlı kalabilir; çok satırlı, tekrarlı anahtarlar içeren listelerde fark belirginleşir. Sağlıklı değerlendirme için yalnızca karakter sayısına bakmak yeterli değildir. Model sağlayıcısının tokenleştirme yöntemi, Türkçe karakterlerin işlenişi, alan adlarının uzunluğu ve veri içindeki tekrar miktarı sonucu değiştirir. Örneğin 500 satırlık bir ürün katalog özetinde kategori, stok, kdvOrani ve satisFiyati alanları sürekli tekrar ediyorsa TOON avantajlıdır. Fakat yalnızca 3 ayardan oluşan küçük bir yapılandırma dosyasında tasarruf pratikte hissedilmeyebilir. Ekonomik açıdan bakıldığında, günlük çok sayıda API çağrısı yapan ekipler için küçük oranlar bile ay sonunda anlamlı olabilir. Örneğin müşteri destek özetleri, banka dışı finans başvuruları veya pazaryeri ürün açıklamaları gibi düzenli veri akışlarında prompt boyutunu azaltmak, yanıt süresini ve işlem maliyetini birlikte iyileştirebilir.

TOON en çok, veri hem yapısal kalsın hem de prompt içinde gereksiz yer kaplamasın istendiğinde kullanışlıdır. Birinci kullanım alanı yapılandırma dosyalarıdır. Geliştirme, test ve üretim ortamları için farklı ayarlar tutulurken JSON anlaşılır bir temel sunar, TOON ise bu ayarları modelle paylaşırken daha kısa bir biçim sağlar. İkinci alan veri aktarım optimizasyonudur. LLM tabanlı bir raporlama sistemi, satış temsilcisinin günlük görüşmelerini, müşteri notlarını ve teklif durumlarını modele gönderiyorsa, her çağrıda aynı JSON kalıbını taşımak maliyeti artırabilir. TOON burada daha hafif bir ara gösterim olur. Üçüncü alan insan tarafından okunabilir kompakt kayıt tutmadır. Teknik ekip dışındaki ürün yöneticileri veya veri analistleri, iyi düzenlenmiş TOON çıktısını çoğu zaman ham JSON'a göre daha rahat tarar. JSON'dan TOON'a Dönüştürücü özellikle prompt mühendisliği, veri özetleme, test veri seti hazırlama ve AI iş akışı otomasyonu için uygundur. Buna karşılık, tarayıcıların veya standart REST servislerinin doğrudan beklediği veri biçimi hâlâ çoğunlukla JSON'dur. Bu nedenle TOON'u sistemler arası nihai protokol yerine, model odaklı iş akışlarında kompakt temsil olarak konumlandırmak daha güvenlidir. Geri dönüş gerektiğinde TOON'u JSON'a geri çevirme adımıyla klasik yapıya dönmek mümkündür.

JSON, YAML, TOML ve TOON aynı ihtiyaca farklı açılardan yaklaşır: veriyi düzenli, okunabilir ve işlenebilir biçimde ifade etmek. JSON en yaygın standartlardan biridir; web API'leri, mobil uygulamalar ve veritabanı çıktılarıyla güçlü uyumluluğa sahiptir. YAML, girintiye dayalı yapısıyla yapılandırma dosyalarında sevilir, fakat boşluk hassasiyeti nedeniyle hataya açık olabilir. TOML, özellikle ayar dosyalarında sade ve tahmin edilebilir bir yapı sunar. TOON ise bu üçünden farklı olarak, LLM promptlarında token verimliliğini öne çıkarır. TOON'un hedefi genel amaçlı ekosistem standardı olmak değil, yapısal veriyi modele daha az yükle taşımaktır. Eğer amacınız Docker benzeri araçlar için yapılandırma yazmaksa YAML uygun olabilir. Bir Rust projesinde ayar tanımı yapıyorsanız TOML doğal seçimdir. Web servisinden veri alıp gönderiyorsanız JSON hâlâ en güvenli ortak dildir. Fakat aynı veriyi bir büyük dil modeline bağlam olarak sunuyorsanız, JSON'dan TOON'a Dönüştürücü daha düşük token maliyeti sağlayabilir. YAML tarafını da değerlendirmek isteyenler YAML dönüşümü ile alternatif gösterimleri karşılaştırabilir. Pratik karar için şu soru yardımcıdır: Bu veri insanlar ve klasik yazılımlar arasında mı dolaşacak, yoksa büyük ölçüde AI modeline bağlam olarak mı verilecek? Yanıt ikinci seçeneğe yaklaştıkça TOON daha anlamlı hale gelir.