TOON（Token-Oriented Object Notation，令牌导向对象表示法）是一种专门为大语言模型优化过的数据序列化格式。相比传统的 JSON，TOON 去掉了引号、方括号、逗号等冗余语法，同时保留了完整的数据结构和可读性。对于按令牌计费的 LLM API（如文心一言、通义千问），每一枚令牌都会产生成本。TOON 格式能让相同的结构化信息消耗的令牌数锐减，在不丢失语义的前提下，最高可将令牌使用量降低 60%。这就意味着，在进行大量 API 调用时，使用 TOON 而非 JSON 可以直接缩减开支。TOON 的设计并非废弃 JSON，而是在 AI 交互场景中提供一种“更瘦”的表示方式。其本质仍然是键值对和嵌套结构，只是通过更简洁的分隔和折叠规则来表达。开发者可以将 TOON 理解为一台数据“压缩机”，它并不改变数据的形状，却能让数据在 LLM 管道中跑得更快、更便宜。
JSON 转 TOON 转换器在内部执行一套确定性的规则，把冗长的 JSON 文本变成紧凑的 TOON。第一步是键折叠（key folding）：保留所有的键名，但移除 JSON 中包围键的双引号，并用一个特殊分隔符（例如 = 或 :）连接键与值。TOON 还去掉了对象的大括号和数组的方括号，转而使用缩进或行层级来表示嵌套。逗号被隐式省略，字段通过换行明确边界。字符串值中的引号在无歧义时也会被自动剥离，仅在包含空格或特殊字符时保留。数字和布尔值直接以原始形态存在。转换器允许用户自定义分隔风格，比如选择键值之间用 : 还是 =，以及数组条目用 - 还是数字编号。最终生成的 TOON 文本比同内容 JSON 减少了大约 40% 至 60% 的字符数，对应的令牌节约效果显著。在实际使用中，你可以先通过 JSON 格式化工具 规范化原始数据，再送入本转换器，从而获得风格统一、高度紧凑的 TOON 输出。
如果把同样的数据结构分别用 JSON 和 TOON 表示，差异非常直观。以一个典型的 API 配置对象为例，JSON 版本：{"model": "gpt-4", "temperature": 0.7, "messages": [{"role": "user", "content": "你好"}]}。转换为 TOON 后可能呈现为：model=gpt-4 temperature=0.7 messages - role=user content=你好。可以看到，所有的引号、逗号和大括号都已经消失，键值关系依旧清晰。在令牌计算方面，JSON 版本的 token 数量约为 35，TOON 版本则缩减到 18 左右，节省幅度接近 48%。对于每天处理数十万次请求的应用，这直接转化为每月 ¥2,000.00 以上的成本削减。TOON 的结构对于人类和机器同样友好，开发者依然可以快速读懂配置层次，而 LLM 也能因为更少的 token 干扰而更准确地解析数据。在开发阶段，你可以借助 TOON 转 JSON 转换器 随时验证转换后的结构完整性，确保数据没有任何丢失。
TOON 并非要取代 JSON 在所有场景的地位，但在几个特定领域它极为出色。首先是配置文件。现代微服务中的 config 文件往往包含大量层级，使用 TOON 可以消除引号和括号的视觉噪音，让配置一目了然。其次是数据传输优化，尤其是面向 LLM 的智能体工作流。当你需要将结构化数据、函数调用参数或上下文传递给模型时，每一字节都至关重要，TOON 的体积优势能直接加快传输并降低 API 成本。第三，在需要人工临时阅读或调试原始数据的场合，TOON 的行级格式比压缩字符串或二进制格式更友好，同时保持了紧凑。例如，日志系统在嵌入 AI 分析管道时，可以将事件用 TOON 序列化，既保持可读，又节约云服务调用开销。与 JSON 转 YAML 转换器 生成的 YAML 相比，TOON 去除了 YAML 的缩进敏感和不一致性，更专注于纯令牌节约，特别适合成本敏感的 AI 原生应用。
问：TOON 和 JSON 有什么区别？答：JSON 依赖大量的语法符号——双引号、冒号、逗号、方括号、花括号——来界定数据的结构和类型。TOON 则通过键缩进、行分隔和约定符来实现同样的目的，省去了这些符号。因此，相同的数据在 TOON 中字符数更少，但语义完全等价。虽然 TOON 牺牲了通用的解析器支持，但在面向 LLM 的场景中，模型完全能理解其结构。问：我能不能把 TOON 再转回 JSON？答：完全可以。你可以使用配套的 TOON 转 JSON 转换器，它能够准确地将 TOON 还原为标准 JSON，所有嵌套层次和数据类型都会被恢复，适合用在模型输出之后再对接传统系统。问：实际能节省多少体积？答：取决于数据的复杂度和键名的长度，典型的节省在 40% 到 60% 之间。对于带有大量布尔值和数字数组的结构，节省效果最为明显。
在数据序列化领域，YAML 和 TOML 也是常见的 JSON 替代方案。YAML 以高可读性著称，常用于 Kubernetes 配置，但其复杂的缩进规则和隐式类型转换容易引发错误。TOML 则更像 INI 文件，适合简单配置。TOON 的设计目标与它们截然不同：它不是为通用配置管理而生的，而是专为 LLM 交互中的令牌效率设计。因此，TOON 比 YAML 和 TOML 更加紧凑，语法约束更少，解析逻辑也更简单——因为最终解析者是大语言模型本身，而不是传统解析器。如果你需要管理复杂的服务器配置，YAML 或 TOML 仍然合适，你可以利用 JSON 转 YAML 转换器 进行格式切换。但当你的数据要进入 ChatGPT、Claude 或国产大模型的上下文窗口时，TOON 是目前最节省令牌的选择。它让你在不改变业务逻辑的前提下，以最低的增量成本完成每一次调用。
TOON（Token-Oriented Object Notation）是一种面向 token 优化的紧凑数据表示格式。与 JSON 相比，它去掉了引号、方括号、花括号和逗号等冗余语法，用更精短的键值对分隔符和缩进表达结构。这样在保持可读性的同时，大幅减少了大语言模型（LLM）提示中的 token 数量，最多可减少 60% 的 token 用量，而数据含义完全不变。
直接把你的 JSON 文本粘贴到输入框，转换器会自动识别并折叠不必要的符号，生成紧凑的 TOON 输出。你还可以在设置中调整分隔符样式和缩进规则，以适应不同阅读习惯或下游工具的解析需求。
当然可以。我们提供了对应的反向转换工具 TOON 转 JSON 转换器，只需将 TOON 文本粘贴进去，就能无损还原为标准的 JSON 格式，方便调试或与其他系统对接。
具体节省幅度取决于原始 JSON 的结构。大量重复键名和深层嵌套时，token 数量通常能减少 60%；即便在数据紧凑的情况下，也能稳定节省 30% 到 50% 的空间。对于按 token 计费的大模型 API 调用，这意味着直接的成本降低。
当你需要把结构化数据喂给 ChatGPT、Claude 等大模型时，TOON 是理想选择，因为每降低一个 token 都能节省推理成本。此外，在日志记录、配置文件的紧凑存储，或者对带宽敏感的数据传输场景中，TOON 也比 JSON 更轻量。
YAML 和 TOML 主要面向人类可读的配置场景，仍保留了较多的语法标记（如冒号、缩进、方括号等）。TOON 则进一步精简，甚至去掉了键值对外的多数符号，专门为减少 LLM 提示 token 设计。因此 TOON 通常比同等内容的 YAML 或 TOML 更短，适合 AI 工作流中的高频调用。如果你需要在这些格式间转换，也可以试试 JSON 转 YAML 转换器。
完全可以。转换器会保留 JSON 的所有层级关系与数据类型（字符串、数字、布尔值、null、嵌套对象和数组）。即便数组内同时包含数字和字符串等混合类型，TOON 的符号规则也能无歧义地表达这些值，还原时不会丢失信息。
虽然 TOON 高度紧凑，但对于日常人工编辑和团队协作来说，可读性不如 YAML 或带注释的 JSON。它的强项在于临时传输和 AI 提示优化。如果用于长期维护的配置文件，建议在使用 TOON 压缩的同时保留一份易读的源格式，通过转换器按需生成。
