Structured data without the JSON bloat
Fakturaen, der gemmer sig i dine tuborgklammer
JSON vandt, fordi det er kedeligt på præcis den rigtige måde. Mennesker kan læse det. Maskiner kan parse det. Ethvert sprog har et bibliotek til det. Hvis to systemer skal udveksle et objekt, og ingen gider et standardiseringsmøde, ender samtalen som regel med JSON. Fint. Der findes værre kompromiser. Mange af dem har enterprise i navnet.
Problemet er ikke JSON som webformat. Problemet er, hvad der sker, når vi skubber JSON ind i sprogmodel-workflows og lader, som om prisen er gratis. En model ser ikke et pænt objekt på samme måde, som en applikationsparser gør. Den ser tokens. Den læser de samme nøgler igen og igen. Den bruger kontekst på tegnsætning, gentagne feltnavne, wrappers, indlejret scaffolding og formpåmindelser, der allerede var kendt, før den første post ankom.
Det spild var engang mildt irriterende. Med AI-systemer bliver det et produktproblem. Hver gentaget nøgle konkurrerer med beviser, instruktioner, eksempler, citater og faktisk brugerindhold. Hvert redundant strukturelt token er en lille skat på det nyttige arbejde. Fakturaen siger ikke unødvendige tuborgklammer, for fakturaer mangler poesi. Den siger tokens.
HEDL tager udgangspunkt i en simpel observation: når skemaet er kendt, er det dumt at gentage skemaet i hver eneste post. Deklarér strukturen én gang. Kod poster positionelt. Bevar semantikken præcist. Konvertér tilbage til de formater, eksisterende systemer allerede forventer. Det er ikke anti-JSON-ideologi. Det er et afslag på at betale modellen for at læse det samme vejskilt igen hver tiende meter.
Det betyder noget, fordi struktureret AI-arbejde ikke kun er chat. Det er ekstraktion, klassificering, værktøjskald, datatransformation, reviewpakker, evidensbundter, MCP-kald, workflows og agenter, der sender objekter til hinanden hele dagen. Jo mere seriøst systemet bliver, desto mere struktur har det brug for. Hvis struktur udtrykkes på den mest verbose mulige måde, betaler systemet for sin egen disciplin.
JSON er ikke skurken
Det ville være nemt, og dovent, at skrive dette som en JSON-klage. JSON har reelle styrker. Det er allestedsnærværende, debuggable, nemt at pipe gennem eksisterende værktøjer og godt nok til en enorm mængde applikationsarbejde. Pointen er ikke, at JSON er dårligt. Pointen er, at JSON ofte bruges steder, hvor modtagersiden allerede kender formen, og der stopper gentagelsen med at være klarhed og bliver til last.
Overvej en struktureret ekstraktionsopgave. Skemaet siger, at hvert svar har et navn, en kilde, en værdi, en konfidens og en begrundelse. Forestil dig nu at sende hundredvis af rækker til en model eller modtage hundredvis af rækker tilbage fra én. JSON gentager de feltnavne for hvert objekt. Applikationsparseren har ikke noget imod det. Modelkonteksten har. Kontekstvinduet bliver en leveringsvogn fuld af etiketter i stedet for varer.
HEDL behandler skemaet som en kontrakt. Det navngiver felterne og typerne én gang. Posterne bærer derefter værdierne i rækkefølge. Det lyder indlysende, fordi det er det. Mange effektive formater har lavet lignende afvejninger i årtier. Forskellen er, at HEDL er rettet mod LLM-vendte strukturerede workflows, hvor menneskelig debuggbarhed, konvertering og værktøjskompatibilitet stadig betyder noget. Det er ikke en binær blob, der kastes over muren med en besked om held og lykke.
HEDL-implementeringen omfatter Rust-bibliotekssupport, CLI-brug, MCP-server og proxy-flader, WASM, FFI og bindinger samt konvertering til og fra almindelige formater. Den kombination er vigtig. Et format til AI-arbejdsgange kan ikke kun være kompakt. Det skal kunne komme ind i og ud af den ustrukturerede verden uden at blive en privat kult. Eksisterende API'er vil stadig have JSON. Folk inspicerer stadig data. Værktøjer har stadig brug for round trips. Formatet skal være tæt uden at blive antisocialt.
Struktur som en kontrakt
De fleste AI-fejl omkring strukturerede data er ikke dramatiske. De er smålige, hvilket gør dem sværere at tage alvorligt, indtil de koster rigtige penge. Et felt glider. En værdi placeres under den forkerte nøgle. En model udsender et plausibelt objekt med et manglende valgfrit felt. En parser accepterer en form, den burde have afvist. Et downstream-værktøj modtager næsten det rigtige, den farligste slags ting i software.
HEDL's schema-først-tilgang er nyttig, fordi den gør strukturen eksplicit, før posterne begynder at bevæge sig. Skemaet er ikke en løs prompt-anbefaling. Det er det, der fortæller læseren, hvordan værdierne skal fortolkes. Rekorden er kompakt, fordi den ikke behøver at fortælle om sig selv gentagne gange. Det omkringliggende værktøj kan stadig validere, konvertere og levere data til systemer, der foretrækker JSON, YAML, XML, CSV eller andre konventionelle formater.
Round trips er testen på, om et format er nyttigt eller blot smart. Hvis JSON kommer ind, HEDL bevæger sig gennem arbejdsgangen, og JSON kommer ud med samme semantik, får systemet tæthed uden at miste kompatibilitet. Hvis betydning går tabt lydløst, har formatet fejlet. Den rigtige adfærd under pres er ikke at trække på skuldrene og sende objektet videre downstream. Det er at blokere, rapportere og tvinge tvetydigheden frem i lyset.
Det er her, HEDL passer fint ind ved siden af resten af Dweve-stakken. Ledger bekymrer sig om, at operationelle hændelser forbliver inspicerbare. AION bekymrer sig om, at beslutningsbeviser kan kontrolleres. Trace bekymrer sig om, at beregning kan afspilles. HEDL bekymrer sig om, at strukturerede data kan repræsenteres tæt og gendannes præcist. Disse opgaver rører hinanden, men de er ikke den samme opgave. Igen: færre vage ord, flere nyttige grænser.
Benchmarket er ikke dekoration
Præstationspåstande omkring AI-infrastruktur er ofte skrevet som fiskerhistorier. Tallet bliver større, hver gang det genfortælles. HEDL har en konkret benchmark-påstand: 571 strukturerede ekstraktionsopgaver på tværs af syv datasæt, 56 procent færre tokens end JSON og en 10,3 procentpoint nøjagtighedsforbedring i forhold til JSON.
Disse tal skal læses som en benchmark-påstand, ikke en universel fysiklov. De beskriver et benchmark-opsætning. De betyder ikke, at enhver arbejdsgang magisk får samme resultat. Men de forklarer, hvorfor formatet eksisterer. Token-antal er ikke en implementeringsfodnote i LLM-systemer. Det er en del af grænsefladen. Hvis to repræsentationer bærer samme betydning, og den ene bruger langt mere kontekst, er den tungere ikke neutral.
Præcisionsforbedringen er især interessant. Den tyder på, at fordelen ikke kun er billigere prompts. En renere repræsentation kan også gøre opgaven lettere for modellen. Det burde ikke overraske. Hvis modellen bruger mindre opmærksomhed på gentaget syntaktisk rod, har den mere plads til værdier og relationer. Det er samme grund til, at gode formularer slår rodede formularer i menneskeligt arbejde. Mennesket kan være klogt, men giv dem ikke en selvangivelse skrevet af en printer med en svær barndom.
Der er en bredere designlektion her. AI-grænseflader bør ikke kun vurderes på, om modellen kan klare sig. Modeller kan klare mange dårlige grænseflader. Folk kan også bære møbler op ad trapper med dårligt greb og uden plan. Det gør det ikke til arkitektur. En god AI-grænseflade reducerer undgåeligt arbejde, blotlægger struktur, bevarer betydning og fejler højlydt, når strukturen er forkert.
Hvorfor proxyoverflader betyder noget
Et format vinder sjældent ved at være rent. Det vinder ved at passe ind i den grimme midte. HEDL's MCP- og proxyoverflader betyder noget, fordi de fleste organisationer ikke bare kan annoncere, at alt nu taler en ny repræsentation. De har eksisterende API'er, datalagre, valideringsregler, dashboards, notebooks og eksportformater. At erstatte alt det for at spare tokens ville være en heroisk måde at miste venner på.
Proxymønsteret er mere praktisk. Lad modeller og værktøjer drage fordel af tæt struktureret repræsentation, hvor det betyder noget. Konvertér ved grænsen. Validér, før data forlader den kontrollerede sti. Bevar nedstrøms JSON-kompatibilitet. Lad systemer, der forventer JSON, modtage JSON, men stop med at tvinge modellen til at slæbe hele JSON-formen gennem hvert internt trin.
Det er også her, governance kommer ind, stille og brugbart. Hvis proxien validerer struktur, kan den afvise fejlformede objekter, før de bliver forretningsfakta. Hvis den bevarer en tabsfri rundtur, kan den bevise, at konvertering ikke ændrede betydningen. Hvis den bevarer kompatibilitet med eksisterende systemer, kan den indføres uden at gøre hver integration til et migrationsprogram. Vi er europæere. Vi har nok migrationsprogrammer. Nogle af dem har stadig styregrupper fra 2014.
For agentsystemer er proxien endnu vigtigere. Agenter sender strukturerede kald og resultater på tværs af grænser. De kalder værktøjer, modtager output, opdaterer hukommelse, producerer artefakter og overdrager tilstand til andre agenter. En tæt repræsentation med validering gør disse overdragelser mindre spildende og mindre tvetydige. Det gør ikke agenten klog. Det gør konvolutten mindre dum. Det er et respektabelt ingeniørresultat.
Hvor HEDL ikke bør bruges
Ethvert nyttigt værktøj har et sted, hvor det ikke bør bruges. HEDL er ikke en erstatning for hver JSON-fil på jorden. Hvis en lille konfigurationsfil læses én gang af et menneske og redigeres to gange om året, vil JSON eller TOML overleve tragedien. Hvis et offentligt API har brug for maksimal genkendelighed, og nyttelasterne er små, er JSON fint. Hvis skemaet er ægte ukendt og ad hoc, er skema-én-gang-kodning ikke den rigtige startantagelse.
HEDL bliver interessant, når struktur gentages, volumener er meningsfulde, modelkontekst er dyr, rundture betyder noget, og værktøjer har brug for kompatibilitet i kanterne. Det er derfor, LLM-arbejdsgange er så godt et match. De sidder præcis i skæringspunktet mellem struktureret intention og tokenøkonomi. De har også en tendens til at vokse fra prototype til produktion hurtigere, end nogen planlagde, fordi tilsyneladende ingen har lært denne lektion på trods af, at hele softwarehistorien ser mildt fornærmet ud i hjørnet.
Den praktiske adoptionsvej bør derfor være snæver. Omskriv ikke organisationen. Vælg en struktureret ekstraktionsworkflow. Vælg en agent-værktøjssti. Vælg en MCP-proxygrænse. Mål tokenforbrug, fejlrate, valideringsresultater og round-trip-fidelitet. Hvis tallene holder, så udvid. Hvis de ikke gør, så behold den kedelige løsning. Målet er ikke at tilbede et format. Målet er at stoppe med at betale for undgåelig struktur.
Lærdommen
Lærdommen fra HEDL er, at struktur ikke er gratis, bare fordi den er nyttig. I almindelig software er gentagne nøgler for det meste en irritation. I AI-workflows er de kontekst, penge, opmærksomhed og fejloverflade. Hvis skemaet er kendt, er det ofte den mindst fantasifulde mulighed at gentage det i hver post.
HEDL laver en simpel byttehandel: erklær struktur én gang, kod poster tæt, bevar semantik, konverter tilbage, når det er nødvendigt, og valider ved proxygrænsen. Det er ikke en erstatning for JSON som webets fælles sprog. Det er en bedre intern kuvert til struktureret AI-arbejde, hvor modellen bør bruge sin kontekst på mening frem for at læse de samme feltnavne, indtil budgettet dør en varmedød.
Det er den nyttige standard for AI-infrastruktur. Ikke snedighed for snedighedens skyld. Ikke nyhedsskat. Ikke et format, der kræver, at alle andre lider. Et godt lag fjerner spild, holder kontrakten eksplicit og lader resten af systemet fortsætte med at fungere. HEDL fortjener sin plads, når objektet bliver mindre uden at betydningen bliver blødere.
JSON kan blive. Det har ikke gjort noget forkert. Det kan endda få en kop kaffe. Det skal bare ikke sidde inde i hvert modelkald og bære det samme sæt nøgler som en mand, der flytter hus én ske ad gangen.