Json2 Toon MCP

JSON2TOON v2.0🚀

高级令牌优化对象表示法 -用于AI上下文管理的最强大的JSON压缩系统。

JSON2TOON是下一代MCP服务器，它通过AI驱动的模式检测彻底改变了JSON压缩，实现了 代币减少75-85% 同时保持完美的数据完整性。

______________________________________________________________________

✨ 主要特点

🎯 4个压缩级别

• 最小 （节省30-40%）：闪电般快速的按键缩写
• 标准 （节省40-60%）：平衡的性能+压缩
• 激进的 （节省60-75%）：高级模式优化
• 极端 （节省75-85%）：使用zlib实现最大压缩

🤖 AI驱动的模式检测

• 17+图案类型：API响应、数据库、时间序列、图形、树等
• 智能策略选择：基于数据结构的自动优化
• 信心评分：每种模式都有准确度指标
• 压缩潜力：估计转换前的节省额

🔧 12个高级MCP工具

1. convert_to_toon -多级JSON压缩
2. convert_to_json -无损减压
3. analyze_patterns -基于AI的深度模式分析
4. get_optimal_strategy -AI推荐的压缩方案
5. calculate_metrics -详细的压缩统计数据
6. batch_convert -高性能批处理
7. smart_optimize -自动检测并应用最佳压缩
8. compare_levels -并排水平比较
9. validate_toon -格式验证+往返测试
10. suggest_abbreviations -自定义缩写生成
11. estimate_savings -转换前节省估算
12. get_server_stats -实时性能指标

💡 高级能力

• 150+关键缩写 （与TOON v1.0中的68相比）
• 字符串字典：重复值的重复数据消除
• 部分架构压缩：处理不一致的数据
• 值模式压缩：优化时间戳、UUID、URL和电子邮件
• 参考系统：消除重复结构
• zlib集成：可选极端压缩

______________________________________________________________________

📊 性能基准

______________________________________________________________________

🚀 快速开始

安装

# Clone repository
git clone https://github.com/muhammedehab35/JSON2TOON-MCP.git
cd json2toon

# Install with pip
pip install -e .

# Or use Docker
docker-compose up -d

MCP配置

添加到您的Claude桌面配置(~/.config/Claude/claude_desktop_config.json):

{
  "mcpServers": {
    "json2toon": {
      "command": "python",
      "args": ["-m", "src.mcp_server"],
      "cwd": "/path/to/json2toon"
    }
  }
}

Docker配置:

{
  "mcpServers": {
    "json2toon": {
      "command": "docker",
      "args": ["run", "-i", "json2toon:2.0.0"]
    }
  }
}

______________________________________________________________________

💻 使用示例

基本转换

from src.advanced_converter import convert_json_to_toon, convert_toon_to_json, CompressionLevel

# Simple conversion with STANDARD level
data = {
    "id": 12345,
    "name": "John Doe",
    "email": "john@example.com",
    "created_at": "2025-01-01T00:00:00Z"
}

# Convert to TOON
toon = convert_json_to_toon(data, level=CompressionLevel.STANDARD)
print(f"Compressed: {toon}")

# Convert back to JSON
original = convert_toon_to_json(toon)
print(f"Restored: {original}")

高级模式分析

from src.pattern_analyzer import AdvancedPatternAnalyzer

analyzer = AdvancedPatternAnalyzer()

# Analyze your data
patterns = analyzer.analyze(large_json_data)

# Get compression strategy
strategy = analyzer.get_compression_strategy(large_json_data)

print(f"Detected {len(patterns)} patterns")
print(f"Expected savings: {strategy.expected_savings * 100:.1f}%")
print(f"Recommended level: {strategy.recommended_level}")
print(f"Reasoning: {strategy.reasoning}")

智能优化

from src.optimizer import SmartOptimizer

optimizer = SmartOptimizer()

# Automatic optimization with profile
result = optimizer.optimize(data, profile="balanced")
# Profiles: "speed", "balanced", "size"

print(f"Used profile: {result['profile_used']}")
print(f"Selected level: {result['level_selected']}")
print(f"Savings: {result['metrics']['savings_percent']:.1f}%")

批处理

from src.advanced_converter import AdvancedTOONConverter, CompressionLevel

converter = AdvancedTOONConverter(level=CompressionLevel.AGGRESSIVE)

# Process multiple items
items = [
    {"id": i, "data": f"Item {i}"}
    for i in range(1000)
]

for item in items:
    toon = converter.json_to_toon(item)
    # Process compressed data

______________________________________________________________________

🔬 MCP工具示例

克劳德密码

1.转换为自定义级别

Use the convert_to_toon tool with:
- json_data: 
- level: 3 (AGGRESSIVE)

2.分析模式

Use the analyze_patterns tool to detect:
- Pattern types
- Compression potential
- Optimization recommendations

3.比较所有级别

Use the compare_levels tool to see:
- Side-by-side comparison
- Savings per level
- Best recommendation

4.智能自动优化

Use the smart_optimize tool with:
- json_data: 
- profile: "size" (for maximum compression)

______________________________________________________________________

📖 格式规范

TOON v2.0结构

{
  "_toon": "2.0",           // Version identifier
  "_lvl": 2,                // Compression level used
  "d": {...},               // Compressed data
  "_refs": {...},           // Optional: structure references
  "_dict": {...}            // Optional: string dictionary
}

关键缩写（示例）

150+缩写 涵盖常见的API、数据库和应用程序领域。

价值优化

• null → ~
• true → T, false → F
• 时间戳： $ts:2025-01-01T00:00:00Z
• UUID： $uid:550e8400-e29b-41d4-a716-446655440000
• 字符串引用： @s0, @s1 （摘自词典）

架构压缩

之前：

[
  {"id": 1, "name": "Alice", "email": "alice@test.com"},
  {"id": 2, "name": "Bob", "email": "bob@test.com"},
  {"id": 3, "name": "Carol", "email": "carol@test.com"}
]

之后（TOON）：

{
  "_sch": ["i", "n", "eml"],
  "_dat": [
    [1, "Alice", "alice@test.com"],
    [2, "Bob", "bob@test.com"],
    [3, "Carol", "carol@test.com"]
  ]
}

储蓄：对于具有一致模式的数组，约55-60%

______________________________________________________________________

🧪 测试

# Run all tests
pytest tests/ -v

# With coverage
pytest tests/ --cov=src --cov-report=html

# Specific test file
pytest tests/test_converter.py -v

# Run tests in Docker
docker-compose run json2toon-server pytest tests/ -v

测试覆盖率

• ✅ 转换器：100多个测试用例，涵盖所有压缩级别
• ✅ 模式分析器：对所有17种图案类型进行30多次测试
• ✅ 往返：完美的数据完整性验证
• ✅ 边缘案例：Unicode、大数字、特殊字符
• ✅ 演出：各级基准

______________________________________________________________________

🐳 Docker部署

塑造形象

docker build -t json2toon:2.0.0 .

使用Docker Compose运行

# Production mode
docker-compose up -d json2toon-server

# Development mode
docker-compose --profile dev up json2toon-dev

Docker功能

• ✅ Python 3.11优化镜像
• ✅ 非root用户安全
• ✅ 健康检查
• ✅ 资源限制（2个CPU，1GB RAM）
• ✅ 日志配置
• ✅ 实时重装开发模式

______________________________________________________________________

📐 建筑

┌─────────────────────────────────────────┐
│         JSON2TOON MCP Server            │
│              (v2.0)                     │
└─────────────┬───────────────────────────┘
              │
    ┌─────────┼─────────┐
    │         │         │
    ▼         ▼         ▼
┌─────────┐ ┌──────────┐ ┌──────────┐
│Advanced │ │Pattern   │ │Smart     │
│Converter│ │Analyzer  │ │Optimizer │
└─────────┘ └──────────┘ └──────────┘
    │         │              │
    └─────────┴──────────────┘
              │
    ┌─────────┼─────────┐
    ▼         ▼         ▼
┌──────┐  ┌──────┐  ┌──────┐
│Schema│  │String│  │Value │
│Comp  │  │ Dict │  │ Comp │
└──────┘  └──────┘  └──────┘

______________________________________________________________________

🎯 检测到的图案类型

1. API响应 -REST、GraphQL、JSON-RPC
2. 数据库记录 -CRUD、审计日志、版本控制
3. 用户数据 -配置文件、身份验证、首选项
4. 分页 -基于页面、基于偏移量
5. 嵌套地址 -街道、城市、州、国家
6. 嵌套坐标 -拉丁语/液化天然气/替代语
7. 嵌套尺寸 -宽度/高度/深度
8. 嵌套元数据 -由标签创建/更新
9. 同构数组 -同类型元素
10. 一致架构数组 -相似的对象结构
11. 重复结构 -重复图案
12. 时间序列 -时间数据序列
13. 图节点 -网络/图形结构
14. 树形结构 -分层数据
15. 枚举值 -有限值集
16. 稀疏数组 -许多空值
17. 深巢 -复杂嵌套级别

______________________________________________________________________

🔧 发展

设置开发环境

# Install dev dependencies
pip install -e ".[dev]"

# Format code
black src/ tests/

# Lint
ruff src/ tests/

# Type check
mypy src/

代码质量工具

• 黑色：代码格式（行长：100）
• 颈毛：快速Python linter
• 米皮：静态类型检查（严格模式）
• pytest：支持异步的测试框架

______________________________________________________________________

📊 与TOON v1.0的比较

______________________________________________________________________

🤝 贡献

欢迎投稿！拜托：

1. 分叉存储库
2. 创建要素分支(git checkout -b feature/amazing-feature)
3. 运行测试(pytest tests/ -v)
4. 格式代码(black src/ tests/)
5. 提交更改(git commit -m 'Add amazing feature')
6. 推送到分支(git push origin feature/amazing-feature)
7. 打开拉取请求

______________________________________________________________________

🌟 用例

1. 大型API响应

在Claude对话中存储API响应时，可节省50-65%的令牌。

2. 数据库查询结果

将数据库结果压缩60-70%，以实现高效的上下文使用。

3. 时间序列数据

在时态数据集上实现65-75%的压缩。

4. 配置文件

以紧凑的格式存储配置，节省40-55%。

5. 代码库分析

在分析代码时，在令牌限制中容纳更多文件内容。

6. 日志处理

将结构化日志压缩50-60%以进行模式分析。

______________________________________________________________________

🚦 快速提示

何时使用每个级别

• 最小：快速转换，需要高速
• 标准：通用（最佳平衡）
• 激进的：大型数据集，需要大量节省
• 极端：最大程度的压缩，存档使用

优化配置文件

• 速度：首选最低/标准级别
• 平衡的：根据数据自动选择（推荐）
• 尺寸：更倾向于激进/极端级别

最佳实践

1. ✅ 首先分析模式 analyze_patterns
2. ✅ 使用 smart_optimize 自动获得最佳结果
3. ✅ 验证方式 validate_toon 转换后
4. ✅ 使用 estimate_savings 在大批量作业之前
5. ✅ 监视器 get_server_stats 用于度量

pip install -e .
python -m src.mcp_server