exnihilum/ttrpg-ouw25-ru

🌊 Укрытое море: Корпус для ML и RAG (v1.1.0)

Полностью обработанный, проверенный и готовый к использованию текстовый корпус релизных черновиков настольной ролевой игры «Укрытое море: Благословенный прилив» от Ex Nihilum Publishing.

📋 Описание

Этот датасет содержит структурированные тексты игровой системы, оптимизированные для обучения языковых моделей, создания RAG-систем (Retrieval-Augmented Generation) и семантического поиска.

Основные характеристики:

• Документов: 39 (все проверены вручную)
• Фрагментов (chunks): 1378 семантически законченных блоков
• Иллюстраций: метаданные для 132 изображений
• Готовые векторы (embeddings): 1378 векторов (384 измерения, модель intfloat/multilingual-e5-small)
• Бинарный FAISS-индекс: rag_index.faiss (для моментального поиска за 1мс)
• Язык: Русский
• Лицензия: Public Domain (CC0) для текстовой части

🏗️ Структура датасета

Датасет поставляется в следующих конфигурациях и артефактах:

1. chunks (основная)

Семантические фрагменты размером 400-1000 токенов, идеально подходящие для векторных индексов и RAG.

• chunk_id: уникальный идентификатор фрагмента
• heading_path: иерархия заголовков (путь к фрагменту в книге)
• text: содержание фрагмента

2. documents

Полные тексты всех 39 документов репозитория.

• document_id: идентификатор файла
• title: название главы или документа
• text: полный текст в формате Markdown (очищенный)

3. embeddings

Предобработанные векторные эмбеддинги (384-dim, multilingual-e5-small) для загрузки в ChromaDB, Qdrant, Pinecone, PGVector или Weaviate.

4. rag_index.faiss (Бинарный индекс)

Готовый FAISS-индекс для моментального поиска без генерации эмбеддингов корпуса.

5. global_knowledge_map.json (Карта знаний)

Структурированный словарь всех сущностей проекта (Personas, Media, Lore, Mechanics, Concepts). Идеально для NER (Named Entity Recognition) и обогащения промптов.

🚀 Быстрый старт

Вариант 1: Загрузка текста чанков

from datasets import load_dataset

# Загрузить чанки для RAG
dataset = load_dataset("exnihilum/ttrpg-ouw25-ru", "chunks")
print(dataset["train"][0]["text"])

Вариант 2: Использование готового FAISS-индекса (Моментальный RAG)

import faiss
import numpy as np
from huggingface_hub import hf_hub_download
from sentence_transformers import SentenceTransformer

# 1. Скачать готовый индекс из Hugging Face
index_path = hf_hub_download(repo_id="exnihilum/ttrpg-ouw25-ru", repo_type="dataset", filename="rag_index.faiss")
index = faiss.read_index(index_path)

# 2. Модель для эмбеддинга вопросов
model = SentenceTransformer('intfloat/multilingual-e5-small')

# 3. Поиск
query = "Как работает Collision Engine?"
query_vec = model.encode([query])[0].astype("float32")
distances, indices = index.search(np.array([query_vec]), k=3)

⚖️ Лицензирование

• Тексты: Public Domain (CC0). Вы можете использовать, изменять и распространять тексты без ограничений.
• Иллюстрации: Авторское право принадлежит Ex Nihilum Publishing. Разрешено некоммерческое использование в рамках проектов по игре.

🔗 Ссылки и Цитирование

• Сайт игры: ukrytoemore.ru
• Издательство: exnihilum.info
• GitHub проекта: github.com/exnihilum/ouw25_lm
• Zenodo DOI:

📌 Цитирование (Citation)

@dataset{ukrytoe_more_corpus_2026,
  author = {Ex Nihilum Publishing},
  title = {Укрытое море: Корпус настольной ролевой игры для ML и RAG},
  year = {2026},
  publisher = {Zenodo / Hugging Face},
  version = {1.1.0},
  doi = {10.5281/zenodo.21694650},
  url = {https://doi.org/10.5281/zenodo.21694650}
}

---

Датасет и RAG-инструменты подготовлены для проекта «Укрытое море».