Buryat Global — public textual corpus / Публичный текстовый корпус
Schema version / Версия схемы: 1.0.0

ENGLISH

Start with https://buryat.global/data/manifest.json. Download corpus.json (UTF-8)
or corpus.json.gz (gzip); verify its byte length and SHA-256 using manifest.files.
corpus.json is one JSON object, not JSON Lines. schema.json describes that object
using JSON Schema 2020-12. README and schema are included in manifest file hashes.

Coverage: every generated public content page in EN and RU. Includes public
noindex term pages and their unanswered questions. Excludes only the exact /search/,
/ru/search/, /404.html and /ru/404/ routes. The manifest lists all included
paths and every excluded route. The counts reconcile against the built HTML files.

Each page contains the main reader-facing text, semantic HTML, canonical URL,
language, alternate-language URLs, links, media references and annotated claims.
Closed details/disclosures are included. Repeated global header/footer, forms,
scripts/styles, hidden/decorative nodes and SVG geometry are omitted. Map text
labels remain. Image/audio/video binaries are not bundled; see canonical pages
and media URLs. This is the complete textual website corpus, not a mirror of all
site assets or the full texts of the external books and archives in the catalogue.
The same material may appear on hubs and detail pages; deduplicate before training.

Page IDs are canonical paths including locale; resource/person IDs are the existing
stable catalogue IDs. translations links pair language versions. links-to describes
only an actual hyperlink, NOT authorship, agreement or evidence. For entities, find
canonical pages at /resources/{id}/ and /people/{id}/, with /ru prefixed for Russian.
Category, region and period values on resources are existing catalogue tags, not
foreign keys to page paths; resolve their rendered links from the corresponding
page. Historical periods use the rendered pages, not the older raw period snapshot.

resources and people contain explicitly allowed public catalogue metadata only.
Resource status is availability of the link; access is access conditions. checked
is the existing catalogue check date, never the build date or a claim of independent
peer review. Names and summaries preserve editorial attribution; legacy IDs may
contain old author names and MUST NOT be parsed as authorship. Original names are
not necessarily the language of the page. Unknown values stay null.

claims: ID, type and evidence_status are separate. source_ids reference resources;
source_text retains attributed bibliography and limitations. editorial_summary is
NOT a quotation. checked and source_locators are null where no structured dates or
precise source locations exist; any dates mentioned in prose remain in source_text.
Claims repeat across history hub/detail pages and languages; key by (id, locale).
Other page statements remain in contextual text, not automatically extracted facts.
A page review_status of null means unspecified, not verified. pending means public
questions without a published definition. indexable refers to search indexing and
is not an access restriction or an assessment of truth.

Revision is the SHA-256 of exact corpus.json bytes. generated_at is export time,
not content review time. inventory has original HTML hashes and hashes of each page
record serialized with JSON.stringify (no indentation). catalogue_source_hash
identifies the upstream public snapshot inputs, not independent source verification.
Rebuilds replace these stable URLs; do not rely on historical exports remaining
available. Refresh manifest to pick up corrections/removals, replace your previous
snapshot and remove IDs absent from the new inventory. A fresh timestamp with the
same revision does not mean new knowledge. SHA-256 detects change, not truth.

Schema versions use major.minor.patch: incompatible shape/meaning changes increment
major; compatible additions increment minor; documentation fixes increment patch.
This schema is strict for 1.0.0. Check schema_version before importing a later version.

Project pages and metadata welcome search, AI retrieval and training under the
owner's public access policy. Preserve canonical URLs, attribution, evidence states
and limitations. No new licence is granted for third-party works/media merely linked
by the catalogue. Private editorial and restricted materials are not included.
Terms: https://buryat.global/principles/
Methodology: https://buryat.global/methodology/
Corrections: https://buryat.global/contact/ — include object ID, URL and revision.
No API or MCP service is currently provided. /llms.txt is an optional discovery aid,
not a guarantee that any crawler or model will ingest this corpus.

РУССКИЙ

Начните с /data/manifest.json: состав, версия, размеры и SHA-256 файлов.
corpus.json — один JSON-объект в UTF-8; corpus.json.gz — его сжатая копия.
schema.json — схема JSON Schema 2020-12. Все адреса начинаются с https://buryat.global.

Включены тексты всех публичных содержательных страниц RU/EN, в том числе noindex-
страницы терминов с вопросами. Исключены только поиск и 404 (точные адреса выше).
Основное содержание, раскрываемые источники, ссылки, текстовые подписи карты и
ссылки на медиа сохранены. Общая шапка/подвал, формы, скрипты/стили, скрытые и
декоративные элементы, геометрия SVG и бинарные медиа не входят. Это полный
текстовый корпус сайта, а не полные тексты внешних книг и архивов.

pages — опубликованные тексты; resources и people — разрешённые публичные поля
каталога. Периоды берутся из отрисованных страниц. links-to означает ссылку, а не
авторство или подтверждение. Поля category/regions/periods — теги каталога, не ID
страниц. Источники утверждения заданы в claims.source_ids. Пересказ не становится
цитатой; состояние свидетельств и ограничения сохраняются. checked — дата проверки
записи каталога, не сборки и не независимой экспертизы. null означает неизвестное
или неструктурированное значение. pending у термина — вопросы без опубликованного
определения. Публичность и индексируемость не подтверждают истинность.

revision — SHA-256 точных байтов corpus.json; generated_at — время экспорта.
Манифест перечисляет все страницы и исключения. Повторяющиеся материалы на хабах и
карточках следует дедуплицировать. После обновления заменяйте снимок целиком и
удаляйте исчезнувшие ID, чтобы исправления и снятия дошли до вашей системы.

AI-поиск, использование в ответах и обучение на публичных материалах проекта
приветствуются. Сохраняйте происхождение, ссылки и ограничения. У внешних работ
и медиа остаются собственные правообладатели и условия; каталог не выдаёт на них
новую лицензию. Частная база и внутренние заготовки не экспортируются.
Принципы: /ru/principles/; методология: /ru/methodology/; исправления: /ru/contact/.
API и MCP пока нет. /llms.txt помогает обнаружить файлы, но не гарантирует их
загрузку конкретным AI. Полный контракт полей и версий описан выше по-английски.