Project Snow：为可追溯 RAG 构建数据底座

Project Snow 的目标并不是直接做出一个会聊天的页面，而是先建立一条可验证、可恢复、可持续更新的数据链路。对于世界观问答来说，模型回答之前的数据质量决定了它是否值得相信。

第一阶段：保留来源，而不是只保留结果

当前阶段从《尘白禁区》BWiki 发现并采集剧情、角色资料、角色皮肤、语音、心意内容、家具与物品背景。采集器保存原始 HTML 或维基文本，同时记录页面地址、哈希、抓取状态和分类信息。

这样做的意义是：后续无论是进行清洗、结构化还是检索，都可以回到来源页面复核，而不是把不可解释的文本直接送进模型。

增量更新与可恢复运行

网站资料会变化，也会出现限流和临时失败。因此采集流程保留状态文件与运行报告，支持仅处理新增页面、分批恢复和目录校验。面对反爬响应时，流程会停止当前批次，而不是尝试绕过站点规则。

这类约束看似保守，但它让数据链路更适合长期维护：失败有记录、来源可追溯、每次运行都有边界。

下一步：从资料到可引用的回答

后续路线包括剧情结构化、关系索引、向量检索与角色一致性控制。在线 RAG 服务会独立部署，并在每次回答中提供可访问的来源引用；公开体验还需要限流、滥用防护和成本控制。

在那之前，Project Snow 会继续把重点放在数据治理和本地可复现的能力上。项目源码、运行说明和后续部署方式会持续在 GitHub 更新。

数据来源为尘白禁区 BWiki；默认许可证为 CC BY-NC-SA 4.0，页面特殊声明优先。游戏及原始内容版权归其权利人所有。