25. Juni 2026

In der Godot‑Quellcode‑Analyse‑Pipeline wurden die Rollen von docs_chunks, api_mapping und label_prototypes erneut zusammengefasst

• docs_chunks wird im Datenfluss zur Erstellung von Code‑Beschreibungen verwendet. Offizielle Dokumentations‑Chunks werden anhand von AST‑/Code‑Fragmenten und Prompt gesucht, nicht relevante Belege werden verworfen und anschließend ein Beschreibungs‑JSONL erzeugt.
• api_mapping ist das Ziel, in dem gespeichert wird, wie Funktionsnamen, Klassennamen und Symbolnamen von Godot 3 zu Godot 4 geändert wurden.
• label_prototypes ist das Ziel, das Transformationsmuster speichert, wenn nicht nur der Name, sondern die gesamte Funktionsweise, Parameterstruktur und Aufrufmuster einer Funktion geändert wurden.

Das Projekt auf GitHub bzw. das lokale Dateisystem wird in AST‑/Code‑Fragment‑Einheiten analysiert, die erforderlichen Retriever werden aufgerufen und anschließend Qwen 3.6 on‑demand gestartet – die Struktur wurde dokumentiert

• Offizielle Dokumentations‑Markdown wird je nach Inhaltstyp in docs_chunks (Erklärungstext), api_mapping (Namens‑/Symboländerungen) oder label_prototypes (Änderungen in Nutzung/Aufrufmustern) eingeteilt und als JSONL gespeichert.
• Die Retriever‑Ergebnisse pro Fragment, die LLM‑Validierungsergebnisse und die Validator‑Durchläufe werden im JSONL/Score‑DB‑Fluss gespeichert.
• Die Spalten, Aggregationsmethoden und Klassifizierungs‑Labels der Score‑DB sind noch nicht festgelegt; derzeit dient sie nur als Speicher für die Vor‑Klassifizierungsergebnisse des Dateisystems.
• Auf Basis des klassifizierten Dateisystems soll später Quellcode für SFT und DPO erstellt werden.
• Während der Dokumentation der LLM‑Klassifizierung stellte sich heraus, dass entgegen der ursprünglichen Anforderung der von LLM erzeugte Code nur die ersten 3000 Zeichen des gesamten Markdown‑Dokuments übermittelte; dies wurde korrigiert, sodass nun das komplette Markdown gesendet wird.
• Dieser Vorgang hat erneut verdeutlicht, dass Dokumentation nicht nur eine einfache Aufzeichnung, sondern ein Prozess zur Verifizierung des tatsächlichen Verhaltens des Codes ist.
• Beim Konvertieren von Markdown → JSONL stoppte der RunPod‑Server unerwartet; nach Neustart der Streamlit‑App wurde beobachtet, dass der vorherige Fortschritt nicht zurückgesetzt, sondern fortgeführt wurde.
• Nach dem Neustart der App wurde die noch zu bearbeitende Datei auf pending zurückgesetzt; ein erneuter Start nutzte die bereits vorhandenen Klassifizierungsergebnisse und setzte die Verarbeitung ab derselben Datei fort.
• Für langwierige Konvertierungsaufgaben ist ein Benachrichtigungssystem nötig, das frühzeitig über das Beenden/Erreichen eines nicht‑antwortenden Zustands des RunPod‑Servers informiert.
• Roadmap: docs/roadmaps/2026-06-25-source-analysis-scoring-architecture.md
• Roadmap: docs/roadmaps/2026-06-25-markdown-jsonl-llm-classification.md
• Roadmap: docs/roadmaps/2026-06-25-qwen-pr-review-workflow.md
• Beobachtungsprotokoll: docs/observations/2026-06-25-qwen-markdown-classification-observation.md

Rückblick: docs/retrospectives/2026-06-25-source-analysis-scoring.md