2026-06-17 Godot LLM 개발 전체 로드맵

로드맵 이미지

핵심 흐름

데이터
-> 1차 RAG 챗봇
-> SFT
-> DPO
-> SWE Agent

핵심 포인트는 1차 RAG 챗봇을 먼저 Godot 문서 전문가로 만들고, 그 챗봇을 이용해 GitHub 데이터를 라벨링/가공한 뒤 모델 학습과 SWE Agent로 확장하는 것이다.

단계 요약

Stage 0. 준비 단계

• 목표 정의
• 환경 구축
• 자료 수집 범위 정의
• 도구 개발

Stage 1. 데이터 수집 및 구조화

• GitHub Godot 프로젝트 수집
• .gd, .tscn, .tres, .cfg, project.godot, README 등 파일 수집
• 코드 청킹, 씬 노드 단위 추출, 설정 파일 단위 추출
• repo metadata, file tree, code chunks, scene chunks, config chunks, README/docs JSONL 생성

Stage 2. 1차 RAG 챗봇 개발

• Godot 공식 문서 임베딩
• Migration 문서 임베딩
• Class Reference 인덱싱
• 질문 -> 검색 -> 답변 파이프라인 개발
• Godot 3 -> 4 변환 답변 튜닝
• 문서 QA 정확도와 API 추천 정확도 평가

Stage 3. 데이터 라벨링 및 데이터셋 생성

• Godot 3/4/mixed/unknown 버전 분류
• Godot 3 API와 Godot 4 API 매핑 추출
• 변환/수정 정답 생성
• instruction 질문/답변 쌍 생성
• DPO preference 데이터 생성
• repo explorer 데이터 생성
• patch 데이터 생성
• 테스트 가능 여부, Godot 버전 호환성, 검증 방법 등 메타/검증 정보 저장

Stage 4. 모델 학습

• Base 모델 준비
• Instruction 데이터셋 기반 SFT
• Preference 데이터셋 기반 DPO
• 분류 정확도, 변환/생성 정확도, API 거부율, hallucination 평가

Stage 5. SWE Agent 개발

• Godot 프로젝트 작업 유형 정의
• 파일 탐색/편집 도구와 Godot CLI 테스트 환경 구축
• trajectory 데이터 수집
• trajectory 기반 SFT/DPO
• 실제 Godot 프로젝트 기준 검증 및 평가
• API/Chatbot/Plugin 형태 배포와 지속적 피드백 수집

Stage 6. 지속적 개선

• 새로운 프로젝트/문서 데이터 지속 수집
• 모델 재학습
• 성능 모니터링
• 플러그인/IDE 통합 등 기능 확장

SWE Agent 목표 능력

• 프로젝트 분석 및 문제 파악
• 필요 파일 탐색 및 이해
• 코드 수정 및 patch 생성
• Godot CLI 테스트와 결과 검증
• 실패 원인 분석 및 재수정
• 최종적으로 프로젝트가 정상 동작하도록 만드는 능력