2026-06-17 Mémoire du flux de développement du détecteur Godot RAG -> modèle de codage Qwen 3.6

Image de la structure

Flux principal

Préparation de la documentation officielle de Godot
-> Premier chaînage
-> Post‑traitement dédié à Godot
-> Mise en place d’une infrastructure de recherche locale

- Collecte et structuration des données GitHub  
- Exécution du classificateur RAG  
- Création du jeu de données d'entraînement

-> Qwen 3.6 apprentissage du modèle de codage

Cette note résume le flux MVP consistant à créer d'abord un détecteur RAG pour Godot, puis à utiliser ce détecteur pour générer un jeu de données d'entraînement pour le modèle de codage Godot basé sur Qwen 3.6.

Résumé des étapes

1. Préparation de la documentation officielle

• Préparer godot_docs_full.zip
• Utiliser la version complétée du crawling de la documentation officielle
• Les données sont encore dans leur état d'origine, pas encore RAG
• L'entrée est un ensemble de documents .md

2. Première phase de découpage

• Exécuter chunk_docs.py
• Découpage basé sur les titres
• Les gros blocs sont redivisés avec max_chars et overlap
• Le livrable de première phase est docs_chunks.jsonl

3. Post‑traitement spécifique à Godot

• Suppression des résidus de Sphinx
• Extraction des symboles
• Ajout de métadonnées de classe/méthode/propriété
• Extraction des règles de migration

Livrables :

docs_chunks.jsonl
api_mapping.jsonl
label_prototypes.jsonl

4. Construction d'une infrastructure de recherche locale

• Vector DB : incrustation de documents
• Keyword Index : recherche précise
• Reranker : réordonnancement des résultats de recherche
• API Mapping DB / Label Prototype DB

Points importants :

Le libellé est déterminé par le système.

5. Collecte et structuration des données GitHub

• .gd, .tscn, .tres, project.godot, collecte du README
• construction de l'arbre du dépôt
• structuration des fichiers code/scène/configuration

Livrables:

GitHub Structured Data JSONL

6. Exécution du détecteur RAG

Le détecteur RAG utilise à la fois le système local et le LLM distant.

Responsable du système local :

• Entrée de chunks GitHub
• Extraction de symboles
• Recherche vectorielle + par mots‑clés
• Re‑classement
• Détermination du label

Responsable du LLM distant :

• Génération de code modifié
• Génération d’explications
• Génération d’échantillons QA
• Génération de candidats DPO

Le JSON final est assemblé par du code Python.

7. Jeu de données généré

version_classification
api_mapping
migration_fix
instruction_sft
dpo_preference
repo_explorer
patch_generation
metadata_verification

Initial MVP est suffisant même si l’on crée d’abord entre 10 000 et 40 000 échantillons.

8. Apprentissage du modèle

Apprentissage de première phase :

Qwen 3.6 SFT

Objectif :

• Priorité à Godot 4
• Sortie de base GDScript
• Refus de l’API Godot 3

Apprentissage secondaire :

DPO

Objectif :

• Renforcer la préférence pour les réponses Godot 4

Extension ultérieure :

Extension SWE

Objectif :

• repo explorer
• patch
• trajectory

Principes clés

• Créer d'abord un classificateur RAG basé sur la documentation officielle.
• Les étiquettes sont déterminées par le système, pas par le LLM.
• Le LLM ne se charge que de l'assistance à la génération.
• L'objectif final est le modèle de codage Qwen 3.6 pour Godot.