HEDL i strukturirani podaci bez JSON napuhavanja
Račun skriven u vašim zagradama
JSON je pobijedio jer je dosadan na točno pravi način. Ljudi ga mogu čitati. Strojovi ga mogu parsirati. Svaki jezik ima biblioteku za njega. Ako dva sustava trebaju razmijeniti objekt i nitko ne želi sastanak o standardima, JSON je obično mjesto gdje razgovor završava. U redu. Postoje i gori kompromisi. Mnogi od njih imaju enterprise u nazivu.
Problem nije JSON kao web format. Problem je ono što se dogodi kada JSON ugradimo u tijekove rada s jezičnim modelima i pretvaramo se da je cijena besplatna. Model ne vidi uredan objekt na način na koji ga vidi aplikacijski parser. On vidi tokene. Čita iste ključeve iznova i iznova. Troši kontekst na interpunkciju, ponovljena imena polja, omotače, ugniježđene skele i podsjetnike na oblik koji su već bili poznati prije nego što je stigao prvi zapis.
Taj je otpad nekada bio blago iritantan. S AI sustavima postaje problem proizvoda. Svaki ponovljeni ključ natječe se s dokazima, uputama, primjerima, citatima i stvarnim korisničkim sadržajem. Svaki suvišni strukturni token mali je porez na koristan rad. Račun ne kaže nepotrebne zagrade, jer računi nemaju poezije. Kaže tokeni.
HEDL kreće od jednostavnog zapažanja: kada je shema poznata, ponavljanje sheme unutar svakog zapisa je besmisleno. Deklarirate strukturu jednom. Kodirate zapise pozicijski. Zadržite semantiku točnom. Pretvorite natrag u formate koje postojeći sustavi već očekuju. To nije anti-JSON ideologija. To je odbijanje da se modelu plaća da svakih deset metara ponovno čita isti putokaz.
To je važno jer strukturirani AI rad nije samo chat. To je ekstrakcija, klasifikacija, pozivi alata, transformacija podataka, paketi za pregled, snopovi dokaza, MCP pozivi, tijekovi rada i agenti koji cijeli dan prosljeđuju objekte jedni drugima. Što sustav postaje ozbiljniji, to mu treba više strukture. Ako je struktura izražena na najopširniji mogući način, sustav plaća vlastitu disciplinu.
JSON nije negativac
Bilo bi lako, i lijeno, napisati ovo kao pritužbu na JSON. JSON ima stvarne snage. Sveprisutan je, pogodan za otklanjanje pogrešaka, lako ga je provući kroz postojeće alate i dovoljno dobar za ogromnu količinu aplikacijskog rada. Poanta nije da je JSON loš. Poanta je da se JSON često koristi na mjestima gdje primatelj već poznaje oblik, i tamo ponavljanje prestaje biti jasnoća i postaje teret.
Razmotrite zadatak strukturirane ekstrakcije. Shema kaže da svaki odgovor ima naziv, izvor, vrijednost, pouzdanost i obrazloženje. Sada zamislite slanje stotina redaka modelu ili primanje stotina redaka od njega. JSON ponavlja ta imena polja za svaki objekt. Aplikacijski parser ne smeta. Kontekst modela smeta. Prozor konteksta postaje dostavni kamion pun etiketa umjesto robe.
HEDL tretira shemu kao ugovor. Imenuje polja i tipove jednom. Zapisi zatim nose vrijednosti redom. To zvuči očito jer i jest. Mnogi učinkoviti formati desetljećima su donosili slične kompromise. Razlika je u tome što je HEDL namijenjen strukturiranim tijekovima rada usmjerenim na LLM gdje su ljudska mogućnost otklanjanja pogrešaka, konverzija i kompatibilnost s alatima i dalje važni. To nije binarni blob bačen preko zida s porukom sretno.
Implementacija HEDL-a uključuje podršku za Rust biblioteke, korištenje putem CLI-ja, MCP poslužitelj i proxy sučelja, WASM, FFI i poveznice, te pretvorbu u uobičajene formate i iz njih. Ta je kombinacija važna. Format za AI tijekove rada ne može biti samo kompaktan. Mora ući u kaotičan svijet i izaći iz njega bez da postane privatni kult. Postojeći API-ji i dalje žele JSON. Ljudi i dalje pregledavaju podatke. Alati i dalje trebaju povratne pretvorbe. Format mora biti gust bez da postane asocijalan.
Struktura kao ugovor
Većina AI neuspjeha s strukturiranim podacima nije dramatična. Oni su sitni, zbog čega ih je teže shvatiti ozbiljno dok ne počnu koštati pravi novac. Polje se pomakne. Vrijednost se stavi pod pogrešan ključ. Model generira uvjerljiv objekt s nedostajućim neobveznim poljem. Parser prihvati oblik koji je trebao odbiti. Alat nizvodno primi gotovo pravu stvar, najopasniju vrstu stvari u softveru.
Pristup HEDL-a koji stavlja shemu na prvo mjesto koristan je jer čini strukturu eksplicitnom prije nego se zapisi počnu kretati. Shema nije labav prijedlog u uputi. Ona je ono što čitatelju govori kako protumačiti vrijednosti. Zapis je kompaktan jer se ne mora neprestano sam objašnjavati. Okolni alati i dalje mogu validirati, pretvarati i prosljeđivati podatke sustavima koji preferiraju JSON, YAML, XML, CSV ili druge konvencionalne oblike.
Povratne pretvorbe test su je li format koristan ili samo pametan. Ako JSON uđe, HEDL prođe kroz tijek rada, a JSON izađe s istom semantikom, sustav dobiva na gustoći bez gubitka kompatibilnosti. Ako se značenje tiho izgubi, format je podbacio. Ispravno ponašanje pod pritiskom nije slegnuti ramenima i proslijediti objekt nizvodno. Ono je blokirati, prijaviti i iznijeti dvosmislenost na vidjelo.
Ovdje HEDL lijepo stoji uz ostatak Dweve hrpe. Ledger brine da operativni događaji ostanu pregledni. AION brine da se dokazi odluka mogu provjeriti. Trace brine da se izračun može ponoviti. HEDL brine da se strukturirani podaci mogu gusto prikazati i točno obnoviti. Ti se poslovi dodiruju, ali nisu isti posao. Opet: manje toplih nejasnih riječi, više korisnih granica.
Referentna vrijednost nije ukras
Tvrdnje o izvedbi u AI infrastrukturi često su pisane poput ribarskih priča. Broj svaki put kad se prepriča postaje veći. HEDL ima konkretnu tvrdnju o referentnoj vrijednosti: 571 zadatak strukturirane ekstrakcije na sedam skupova podataka, 56 posto manje tokena od JSON-a i 10,3 postotna boda veća točnost od JSON-a.
Te brojke treba čitati kao tvrdnju o referentnoj vrijednosti, ne kao univerzalni zakon fizike. One opisuju postavku referentne vrijednosti. Ne znače da svaki tijek rada čarobno dobiva isti rezultat. Ali objašnjavaju zašto format postoji. Broj tokena nije fusnota o implementaciji u LLM sustavima. On je dio sučelja. Ako dvije reprezentacije nose isto značenje, a jedna troši znatno više konteksta, teža nije neutralna.
The accuracy gain is especially interesting. It suggests the benefit is not only cheaper prompts. A cleaner representation can also make the task easier for the model. That should not be surprising. If the model spends less attention on repeated syntactic clutter, it has more room for values and relations. This is the same reason good forms beat messy forms in human work. The human may be smart, but do not hand them a tax form written by a printer having a difficult childhood.
There is a broader design lesson here. AI interfaces should not be judged only by whether the model can cope. Models can cope with many bad interfaces. People can also carry furniture up stairs with poor grip and no plan. That does not make it architecture. A good AI interface reduces avoidable work, exposes structure, preserves meaning, and fails loudly when the structure is wrong.
Why proxy surfaces matter
A format rarely wins by being pure. It wins by fitting the ugly middle. HEDL's MCP and proxysurfaces matter because most organisations cannot simply announce that everything now speaks a new representation. They have existing APIs, data stores, validation rules, dashboards, notebooks, and export formats. Replacing all of that to save tokens would be aheroic way to lose friends.
The proxy pattern is more practical. Let models and tools benefit from dense structured representation where it matters. Convert at the boundary. Validate before data leaves the controlled path. Keep downstream JSON compatibility. Let systems that expect JSON receive JSON, but stop forcing the model to haul the full JSON shape through every internal step.
This is also where governance enters, quietly and usefully. If the proxy validates structure, it can reject malformed objects before they become business facts. If it preserves a lossless round trip, it can prove that conversion did not change the meaning. If it keeps compatibility with existingsystems, it can be adopted without turning every integration into a migration programme. We are European. We have enough migration programmes. Some of them still have steering committees from 2014.
For agent systems, the proxy is even more important. Agents pass structured calls and results across boundaries. They call tools, receive outputs, update memory, produce artifacts, and hand state to other agents. A dense representation with validation keeps those handoffs less wasteful and less ambiguous. It does not make the agent wise. It makes the envelope less stupid. That is a respectable engineering outcome.
Where HEDL should not be used
Every useful tool has a place where it should not be used. HEDL is not a replacement for every JSON file on earth. If asmall config file is read once by a human and edited twice a year, JSON or TOML will survive the tragedy. If a public API needs maximum familiarity and the payloads are tiny, JSON is fine. If the schema is genuinely unknown and ad hoc, schema-once encoding is not the right starting assumption.
HEDL becomes interesting when structure is repeated, volumes are meaningful, model context is expensive, round trips matter, and tools need compatibility at the edges. That is why LLM workflows are such a good fit. They sit precisely at the intersection of structured intent and token economics. They also tend to grow from prototype to production faster than anyone planned, because apparently nobody has learned this lesson despite the entire history of software looking mildly offended in the corner.
Praktični put usvajanja stoga bi trebao biti uzak. Nemojte prepisivati organizaciju. Odaberite strukturirani tijek izdvajanja. Odaberite put alata agenta. Odaberite MCP proxy granicu. Mjerite upotrebu tokena, stopu neuspjeha, rezultate provjere i vjernost povratnog puta. Ako se brojke održe, proširite. Ako se ne održe, zadržite dosadnu stvar. Cilj nije obožavati format. Cilj je prestati plaćati strukturu koja se može izbjeći.
Pouka
Pouka HEDL-a je da struktura nije besplatna samo zato što je korisna. U običnom softveru, ponovljeni ključevi uglavnom su smetnja. U AI tijekovima rada, oni su kontekst, novac, pozornost i površina neuspjeha. Ako je shema poznata, ponavljanje u svakom zapisu često je najmanje maštovita dostupna opcija.
HEDL nudi jednostavnu razmjenu: deklarirajte strukturu jednom, kodirajte zapise gusto, sačuvajte semantiku, pretvorite natrag kada je potrebno i provjerite na proxy granici. To nije zamjena za JSON kao zajednički jezik weba. To je bolja unutarnja omotnica za strukturirani AI rad gdje bi model trebao trošiti svoj kontekst na značenje, a ne na čitanje istih naziva polja do toplinske smrti proračuna.
To je koristan standard za AI infrastrukturu. Ne domišljatost radi nje same. Ne porez na novost. Ne format koji zahtijeva da svi drugi pate. Dobar sloj uklanja otpad, drži ugovor eksplicitnim i dopušta ostatku sustava da nastavi raditi. HEDL zaslužuje svoje mjesto kada objekt postane manji, a da značenje ne postane mekše.
JSON može ostati. Nije učinio ništa loše. Može čak popiti šalicu kave. Samo ne treba sjediti unutar svakog poziva modela noseći isti skup ključeva poput čovjeka koji se seli noseći jednu žlicu po jednu.