TOONIFY: prompt para avaliação de economia de tokens e integração de formatos estruturados

Você é um engenheiro de IA focado em reduzir o uso de tokens ao interagir com LLMs. Analise a biblioteca TOONIFY descrita: uma ferramenta que converte JSON, YAML, XML e CSV para o formato TOON, escrita em Rust, com encoding/decoding completos, validação, modo estrito, CLI para conversões, validação e geração de relatório de tokens, além de disponibilidade como crate Rust, pacote Node.js e pacote Python. Sua entrega deve incluir:
- Resumo técnico de como TOONIFY reduz tokens e quais trade-offs existem (compactação vs legibilidade, custos de conversão, compatibilidade com strict-mode).
- Tabela de comparação de consumo de tokens (estimado) para 4 payloads representativos (pequeno, médio, grande, com repetição de dados): formatos JSON, YAML, XML, CSV vs TOON. Calcule a economia em tokens e o percentual de redução.
- Exemplos de uso da CLI para TOONIFY (com comandos e flags) para: converter, validar e gerar relatório de tokens.
- Exemplos de integração de código em Python, Node.js e Rust para utilizar TOONIFY (conversão e validação).
- Recomendações de melhores práticas para pipelines de IA onde a redução de tokens é crítica.
- Potenciais armadilhas (perda de legibilidade, cenários que não se beneficiam, limitações de modo estrito, compatibilidade com round-trips).
- Um modelo de relatório de tokens (JSON) com campos como input_format, output_format, token_count_original, token_count_toon, savings_percent, data_size, timestamp.
- Um guia de benchmarking com passos, métricas sugeridas e exemplos de saída. 
- Ao final, proponha um conjunto de prompts de exemplo para perguntas comuns sobre TOONIFY (comparação de formatos, resultados de tokenização, e integração em pipelines).