Con el Conversor Markdown → JSONL convertí 1 422 de 1 550 documentos oficiales a JSONL
Continué la ejecución del Qwen Validation Debugger del número 46 al 50, verificando código generado, inspección del motor Godot 3/4 y resultados de validación JSONL
En el registro de depuración 50 completé la validación de código común y JSONL; la carga dinámica del recurso de escena 48 genera una ruta de recurso fija inexistente, por lo que el motor sigue rechazándolo
Al reintentar, transmití el diagnóstico del motor anterior y mejoré el depurador para que, sin registrar manualmente sintaxis o respuestas por ítem, use una semilla estable diferente en cada ronda de generación
Guardé el JSONL actual del recolector 8501 en outputs/godot-rag-sqlite/godot-rag.sqlite3 y cotejé los 1 570 URL originales, dominios y SHA‑256 de pages.zip con sus fuentes
Configuré en SQLite las tablas docs_chunks, api_mapping, label_prototypes, el provenance original y el índice de búsqueda FTS5, permitiendo crear instantáneas con el mismo constructor antes de que termine la recolección completa
Comparé el volcado de SQLite y la base vectorial con el formato para subir JSONL a Git, preservando los registros originales y su provenance, y elegí SQLite para poder regenerar y compartir sin servidor adicional
Inicialmente solo añadí SQLite como artefacto de salida en Git; la estrategia F del Source Flow Debugger seguía mirando PostgreSQL, creando inconsistencias al reflejar el mismo JSONL en SQLite y PostgreSQL por separado
Para eliminar la doble gestión, unifiqué los datos de referencia y el repositorio de ejecución de la estrategia F en un solo SQLite comprometido, y removí la configuración y rutas de migración de PostgreSQL
Cambié la candidata BM25: leí de SQLite FTS5, calculé Okapi BM25 en Node, y guardé los embeddings en record_embeddings del mismo SQLite junto con modelo, dimensión, contenido del registro (SHA‑256) y vector Float32, re‑indexando solo los registros modificados
El Source Flow Debugger ahora verifica directamente la versión, número de registros y embeddings del SQLite comprometido sin URL de DB externa, y los vectores almacenados se buscan en Node mediante similitud coseno
Los volcados de la base vectorial dependen del modelo de embedding, la dimensión y la implementación del índice, por lo que no se usan como datos de referencia separados; si se necesita, se generan nuevamente como índices derivados dentro del mismo SQLite