$ sha256sum chunks.jsonl ✓ zgodny z manifestem
Kryptograficznie weryfikowalne zbiory danych ze źródeł pierwotnych, z licencją na użycie w AI. Każdy rekord zahashowany, każde wydanie z własnym Merkle root, każde ID stabilne w kolejnych wydaniach — żeby warstwa RAG stała na danych, które da się obronić.
dostęp do próbek już wkrótce · pełny łańcuch pochodzenia w każdym rekordzie · wyłącznie źródła pierwotne
9f2c41ab…c135e41a✓ weryfikowalne wydanie"why_merkleset":
Każdy rekord ma źródłowy URL, znacznik czasu pobrania i SHA-256. Do każdego wydania dołączony jest manifest z Merkle root po hashach wszystkich chunków — przelicz go z pobranych plików i sprawdź dowolny rekord samodzielnie.
source_url · fetched_at · sha256
Wyraźna licencja na użycie w RAG i embeddingach zamiast szarej strefy, z ochroną odszkodowawczą w planach Pro i Enterprise. Analiza prawna to jedna strona, nie czterdzieści.
embedding_use: permitted
record_id to UUID v5 ze zbioru danych i klucza naturalnego; chunk_id to adres oparty na treści. Ten sam chunk w dwóch wydaniach ma to samo ID i ten sam hash, więc sam porównasz wydania i przeliczysz embeddingi tylko dla tego, co się ruszyło.
record_id · chunk_id · stable across releases
Federalne zamówienia w USA i regulacje są dostępne dziś; sądy, raporty SEC i e-commerce są w planach. Wszystko zbierane ze źródeł pierwotnych — nigdy z odsprzedawanych feedów dostawców.
procurement ✓ regulatory ✓ courts · sec · ecommerce
"how_it_works":
01 collect
Oficjalne pliki zbiorcze i publiczne API — dziś SAM.gov i Federal Register. Każda surowa odpowiedź trafia do własnego rekordu dowodowego i jest hashowana w momencie pobrania.
02 normalize
Wyczyszczone, ustrukturyzowane, podzielone na chunki pod wyszukiwanie. ID chunka to adres oparty na treści, więc niezmieniony chunk zachowuje swoje ID w kolejnych wydaniach.
03 release
JSONL plus manifest do każdego wydania, z SHA-256 każdego pliku i Merkle root. Przelicz korzeń, zanim do indeksu wejdzie choćby jeden bajt.
"catalog":
Ogłoszenia przetargowe z codziennego zbiorczego eksportu SAM.gov, ze znormalizowanymi kodami NAICS/PSC. Historia udzielonych kontraktów z FPDS i załączniki do przetargów są następne w kolejce.
sam.govcodziennie
Federal Register dziś, EUR-Lex w planach. Wersjonowane wydania ze stabilnymi ID — widać, co zmieniło się między nimi.
federalregister.govcodziennie
Planowane: rejestry spraw stanowych sądów pierwszej instancji, znormalizowane ponad rozproszonymi portalami, z danymi osobowymi odfiltrowanymi przed hashowaniem.
state court portalsw planach
Planowane: raporty z EDGAR i materiały wynikowe, podzielone na chunki ze stabilnymi identyfikatorami sekcji.
sec.gov / edgarw planach
Planowane: ustrukturyzowane fakty o produktach dla agentów zakupowych — atrybuty i dostępność, nigdy kopiowane opisy.
public product feedsw planach
Brakuje jakiegoś korpusu? W planie Enterprise budujemy własne nisze i konektory.
napisz do nas
"pricing":
demo
0 USD
dostęp do próbek wkrótce
starter
99 USD/mies.
za zbiór danych / miesiąc
pro
299 USD/mies.
za zbiór danych / miesiąc
enterprise
Indywidualnie
umowa indywidualna
"faq":
Tak — o to właśnie chodzi. Każdy zbiór danych ma wyraźną licencję zezwalającą na użycie w RAG, embeddingach i wyszukiwaniu. W planach Pro i Enterprise licencja obejmuje ochronę odszkodowawczą. Żadnych szarych stref scrapingu: zbieramy ze źródeł pierwotnych, respektujemy robots.txt i sygnały opt-out, a dane osobowe odfiltrowujemy z każdego rekordu, zanim policzymy jego hash.
Każdy rekord ma źródłowy URL, znacznik czasu pobrania i SHA-256 surowej odpowiedzi. Do każdego wydania dołączony jest manifest z SHA-256 każdego pliku i Merkle root po uporządkowanych hashach chunków. Przelicz hashe plików, odtwórz korzeń z chunks.jsonl i porównaj — to kilka linii twojego własnego kodu, nie naszego. Zrobiliśmy dokładnie to na wydaniu z pełną historią, osobną implementacją — korzenie się zgodziły.
Częstotliwość zależy od zbioru danych i planu: w Starterze wydania są cotygodniowe, w Pro — codzienne. Każde wydanie ma wersję, a ponieważ ID rekordów i chunków są stabilne w kolejnych wydaniach, sam porównasz dowolne dwa i zobaczysz, co dokładnie się ruszyło.
JSONL dla rekordów i gotowych do wyszukiwania chunków oraz manifest.json do każdego wydania — z SHA-256 i rozmiarem w bajtach każdego pliku, licznikami rekordów i chunków, metrykami jakości oraz Merkle root po uporządkowanych hashach chunków.
Dziś nie na próbce zbioru danych — dostęp do próbek jest zamknięty, dopóki korpus rośnie, i otworzy się wkrótce. W międzyczasie napisz, który korpus oceniasz: przejdziemy z tobą prawdziwe wydanie — manifest, SHA-256 każdego pliku i Merkle root — a korzeń przeliczysz własnym kodem, zanim zapłacisz cokolwiek.
W planie Enterprise budujemy własne nisze i konektory pod twoją listę źródeł, a warunki aktualności ustalamy w umowie. Napisz przez formularz kontaktowy, czego brakuje twojej warstwie RAG.