idea_world_labDEV JOURNAL
miércoles, 17 de junio de 2026

2026-06-17 Godot RAG detector -> Qwen 3.6 modelo de codificación flujo de desarrollo memo

Imagen de estructura

Flujo de desarrollo desde el detector Godot RAG al modelo de codificación Qwen 3.6

Flujo principal

Preparación de la documentación oficial de Godot  
-> Chunking inicial  
-> Postprocesamiento exclusivo para Godot  
-> Construcción de infraestructura de búsqueda local  
-> Recolección y estructuración de datos de GitHub  
-> Ejecución del clasificador RAG  
-> Creación del conjunto de datos de entrenamiento  
-> Entrenamiento del modelo de codificación Qwen 3.6

Esta nota resume el flujo MVP para crear primero un detector RAG de Godot y, usando ese detector, generar un conjunto de datos de entrenamiento para un modelo de codificación de Godot basado en Qwen 3.6.

Resumen de pasos

1. Preparación de la documentación oficial

  • Preparar godot_docs_full.zip
  • Utilizar la versión completada del rastreo de la documentación oficial
  • Los datos aún están en su estado original, no son RAG
  • La entrada son conjuntos de documentos .md

2. Primera fragmentación (chunking)

  • Ejecutar chunk_docs.py
  • Fragmentar según los encabezados
  • Re‑dividir bloques grandes con max_chars y overlap
  • El producto inicial es docs_chunks.jsonl

3. Post‑procesamiento específico para Godot

  • Eliminar residuos de Sphinx
  • Extraer símbolos
  • Añadir metadatos de clase/método/propiedad
  • Extraer reglas de migración

Producto final:

docs_chunks.jsonl
api_mapping.jsonl
label_prototypes.jsonl

4. Construcción de infraestructura de búsqueda local

  • Vector DB: incrustación de documentos
  • Keyword Index: búsqueda precisa
  • Reranker: reordenamiento de resultados de búsqueda
  • API Mapping DB / Label Prototype DB

Puntos importantes:

La etiqueta la decide el sistema.

5. Recolección y estructuración de datos de GitHub

  • .gd, .tscn, .tres, project.godot, recopilación de README
  • Construcción del árbol del repositorio
  • Estructuración de archivos de código/escena/configuración

Entregables:

GitHub Structured Data JSONL

6. Ejecutar el detector RAG

El detector RAG utiliza tanto el sistema local como el LLM remoto.

Responsable del sistema local:

  • Entrada de fragmentos de GitHub
  • Extracción de símbolos
  • Búsqueda de vectores + palabras clave
  • Reordenamiento
  • Determinación de etiquetas

Responsable del LLM remoto:

  • Generación de código corregido
  • Generación de explicaciones
  • Generación de muestras de preguntas y respuestas
  • Generación de candidatos DPO

El JSON final lo ensambla el código Python.

7. Conjunto de datos generado

version_classification
api_mapping
migration_fix
instruction_sft
dpo_preference
repo_explorer
patch_generation
metadata_verification

Se concluyó que el MVP inicial es suficiente al generar entre 10 000 y 40 000 muestras primero.

8. Entrenamiento del modelo

  • Entrenamiento inicial:
Qwen 3.6 SFT

Objetivo:

  • Priorizar Godot 4
  • Salida básica de GDScript
  • Rechazar la API de Godot 3

Aprendizaje secundario:

DPO

Objetivo:

  • Refuerzo de la preferencia por respuestas de Godot 4

Expansión futura:

Extensión SWE

Objetivo:

  • repo explorer
  • patch
  • trajectory

Principios clave

  • Crear primero un clasificador RAG basado en la documentación oficial.
  • Las etiquetas las decide el sistema, no el LLM.
  • El LLM solo se encarga de asistir en la generación.
  • El objetivo final es el modelo de codificación Qwen 3.6 Godot.