title: "Delentia OS: Constitutional AI Whitepaper & RAG Corpus (Official)"
tags:

• rag
• retrieval-augmented-generation
• constitutional-ai
• enterprise-ai
• knowledge-base
• delentia-os
• alignment
  language:
• en
• th
  license: apache-2.0
  pretty_name: "Delentia OS RAG Corpus (Official)"

Delentia OS RAG Corpus: Constitutional AI Whitepaper & Semantic Knowledge Base (v0.4)

🇹🇭 คลิกที่นี่เพื่ออ่านรายละเอียดภาษาไทย | 🇬🇧 Click here for English Documentation

📖 English Documentation

Overview

Delentia OS RAG Corpus v0.4 is an enterprise-grade semantic knowledge base parsed directly from the official Delentia OS Public Whitepaper v2.2.0. This corpus is optimized for Retrieval-Augmented Generation (RAG), Semantic Search, and alignment checking of Small Language Models (SLMs) running locally or in hybrid cloud infrastructures.

By slicing deep architectural descriptions and mathematical safeguards into 39 distinct semantic chunks, it prevents context window clutter and minimizes retrieval latencies.

🔗 JITNA v0.4 Ecosystem Links

To ensure proper integration, this dataset is linked directly with the corresponding models:

• Core Foundation Base Model: Delentia/delentia-slm-jitna-v0.4
• Specialist Adapters (1+4 Pillars):
  • 🔀 The Router v0.4
  • ⚡ The Executor v0.4
  • 🛡️ The Guardian v0.4
  • 📜 The Scribe v0.4
• Associated Datasets:
  • 📊 Intent Training Dataset

Dataset Structure

The dataset contains two primary components:

• whitepaper_full.md: The complete, raw vision and technical draft document (v2.2.0).
• whitepaper_chunks.csv: A structured chunk database partitioned by header boundaries:
  • chunk_id: Unique identifier key for each section (e.g. chunk_001).
  • topic: The subject header or title of the section (e.g. 3.1 สมการกำกับระบบ FDIA).
  • text_content: The raw text content of the chunk, optimized for sentence embedding generation.

How to Use (RAG Python Example)

from datasets import load_dataset

# 1. Load the chunked RAG corpus
dataset = load_dataset("Delentia/delentia-os-whitepaper-rag-corpus", data_files="whitepaper_chunks.csv")

# 2. Iterate and display the topic headers
print(f"Total Chunks: {len(dataset['train'])}")
for i, chunk in enumerate(dataset['train']):
    if i < 3:
        print(f"\n[{chunk['chunk_id']}] Topic: {chunk['topic']}")
        print(f"Content: {chunk['text_content'][:150]}...")

Cognitive Core: RCT-7 Thinking & FDIA

This dataset encapsulates the structural parameters of the RCT-7 Thinking 7-step sequence and the mathematical bounds of the FDIA Equation (F = Dᴵ × A). Rather than duplicate the extensive theory here, we point developers to the SSoT.
🔗 Read the full mathematical framework and architectural RFC in our GitHub: delentia.com

🇹🇭 เอกสารภาษาไทย (Thai Documentation)

ภาพรวม

ชุดข้อมูล Delentia OS Knowledge Corpus v0.4 คือคลังข้อมูลเชิงสถาปัตยกรรมระดับระบบปฏิบัติการสำหรับการประยุกต์ทำระบบ RAG ที่ได้รับการสกัดวิเคราะห์โครงสร้างข้อมูลจากเล่ม Whitepaper v2.2.0 ฉบับสมบูรณ์ ประกอบด้วยรายละเอียดวิสัยทัศน์ทางวิศวกรรม, โครงสร้างสถาปัตยกรรมระดับแกนกลาง, สมการความปลอดภัย และแนวทางปฏิบัติงาน JITNA Protocol โดยจัดเตรียมไฟล์ไว้ในรูปแบบพร้อมทำเวกเตอร์ (Text Embedding) เข้าสู่ฐานข้อมูล Vector Database (เช่น Qdrant หรือ Milvus) สำหรับงานระบบ RAG ระดับ Enterprise

การหั่นข้อมูลถูกดำเนินการผ่านเทคนิค Semantic Chunking แบ่งออกเป็น 39 ส่วนหลัก เพื่อช่วยป้องกันคอขวดหน่วยความจำล้นและขจัดข้อมูลสำคัญสูญหายระหว่างทาง (Lost-in-the-Middle)

โครงสร้างชุดข้อมูล

• whitepaper_full.md: เอกสารร่างวิสัยทัศน์ทางเทคนิคฉบับสมบูรณ์
• whitepaper_chunks.csv: ตารางคลังข้อมูลที่แบ่งส่วนเชิงความหมาย ประกอบด้วยคีย์ chunk_id, topic และข้อความประมวลผล text_content

แกนกลางการประมวลผล: RCT-7 Thinking & FDIA

ชุดข้อมูล RAG Corpus นี้ ได้สกัดเอาองค์ประกอบย่อยตามลำดับขั้นตอนของ RCT-7 Thinking และควบคุมขอบเขตสิทธิ์ด้วย FDIA Equation (F = Dᴵ × A) เพื่อให้โมเดลประมวลผลอย่างแม่นยำ ปราศจากข้อมูลหลอน 100%

🔗 Related Ecosystem / ระบบนิเวศที่เชื่อมโยง

• Base Cognitive Model: Delentia/delentia-slm-jitna-v0.4 — โมเดลหลัก 8B Baseline
• Fine-tuning Dataset: Delentia/delentia-rct-intent-dataset — ชุดข้อมูล Intent-Response TOON 3,184 scenarios
• Ecosystem Integration: ชุดข้อมูล RAG นี้ กำลังเป็นแหล่งข้อมูลแกนหลัก (RAG Baseline Anchor) สำหรับการฝึกสอนและประเมินระบบปฏิบัติการ AI เวอร์ชันล่าสุด delentia-slm-jitna-scribe-v0.4 ที่ดูแลระบบจัดเก็บข้อมูลใน VRAM
• Official Website: delentia.com