Con el Convertidor Markdown → JSONL, avancé la recolección de conversiones oficiales de JSONL de 1 550 a 1 422 documentos.
Continué la ejecución del Qwen Validation Debugger del caso 46 al 50, revisando el código generado, la inspección del motor Godot 3/4 y los resultados de validación JSONL.
En el caso 50, completé la salida de registro de depuración para el código común y la validación JSONL; en el caso 48, la carga dinámica de recursos de escena falló porque el motor generó una ruta de recurso fija inexistente, que siguió siendo rechazada.
Al reintentar, transmití el diagnóstico del motor anterior y mejoré el depurador para usar una semilla estable diferente en cada ronda de generación, sin registrar manualmente la sintaxis o respuestas por ítem.
Cargué el JSONL actual del recolector 8501 en outputs/godot-rag-sqlite/godot-rag.sqlite3 y comparé los 1 570 URL, dominios y SHA‑256 originales con sus fuentes de registro.
Configuré docs_chunks, api_mapping, label_prototypes, la procedencia original y el índice de búsqueda FTS5 en SQLite, permitiendo crear instantáneas con el mismo constructor antes de que finalice la recolección completa.
Comparé los volcados de SQLite y la base vectorial con el JSONL listo para subir a Git, preservando la procedencia y los registros originales, y elegí SQLite como formato reproducible y compartible sin servidor adicional.
Inicialmente, solo añadí SQLite como artefacto de salida para Git y mantuve la estrategia F del Source Flow Debugger apuntando a PostgreSQL, lo que generó inconsistencias al tener que reflejar el mismo JSONL en ambas bases.
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 eliminé la configuración y rutas de migración de PostgreSQL.
Los candidatos BM25 se leen de SQLite FTS5, se calculan en Node con Okapi BM25, y los embeddings se guardan junto con modelo, dimensión, SHA‑256 del contenido del registro y vector Float32 en record_embeddings del mismo SQLite, re‑indexando solo los registros modificados.
El Source Flow Debugger ahora verifica directamente la revisión, el recuento de registros y de embeddings del SQLite comprometido sin necesidad de una URL de base externa; los vectores almacenados se buscan en Node mediante similitud coseno.
Los volcados de bases vectoriales dependen del modelo de embedding, la dimensión y la implementación del índice, por lo que no se tratan como datos de referencia independientes, sino como índices derivados que pueden regenerarse en el mismo SQLite cuando sea necesario.