Markdown -> JSONL Converter로 공식문서 JSONL 변환 수집량을 1,550개 중 1,422개까지 진행함
Qwen Validation Debugger의 46번부터 50번까지 이어서 실행하고 생성 코드, Godot 3/4 엔진 검사와 JSONL 검증 결과를 확인함
50번 디버깅 로그 출력 항목은 공통 코드와 JSONL 검증을 완료했고, 48번 씬 리소스 동적 로딩은 모델이 존재하지 않는 고정 리소스 경로를 생성해 엔진 검사에서 계속 거부됨
재시도할 때 직전 엔진 진단을 전달하고, 항목별 문법이나 정답을 직접 등록하지 않은 채 생성 라운드마다 다른 안정적 seed를 사용하도록 디버거를 개선함
8501 수집기의 현재 JSONL을 outputs/godot-rag-sqlite/godot-rag.sqlite3로 적재하고, pages.zip의 1,570개 원문 URL·도메인·SHA-256과 레코드 출처를 대조함
SQLite에 docs_chunks, api_mapping, label_prototypes, 원문 provenance와 FTS5 검색 인덱스를 구성하고, 전체 수집이 끝나기 전에도 같은 빌더로 스냅샷을 다시 만들 수 있게 함
수집된 JSONL을 Git에 올릴 형식으로 SQLite와 벡터 DB 덤프를 비교한 뒤, 원본 레코드와 provenance를 그대로 보존하고 별도 서버 없이 재생성·공유할 수 있는 SQLite를 선택함
처음에는 SQLite를 Git에 올리는 기준 산출물로만 추가하고 Source Flow Debugger의 F 전략은 PostgreSQL을 계속 보게 두어, 같은 JSONL을 SQLite와 PostgreSQL에 따로 반영해야 하는 정합성 문제가 생김
이중 관리를 없애기 위해 F 전략의 기준 데이터와 실행 저장소를 커밋된 SQLite 하나로 통합하고, PostgreSQL 접속 설정과 마이그레이션 경로를 제거함
BM25 후보는 SQLite FTS5에서 읽은 뒤 Node에서 Okapi BM25로 계산하고, embedding은 같은 SQLite의 record_embeddings에 모델·차원·레코드 내용 SHA-256과 Float32 벡터를 함께 저장해 변경된 레코드만 다시 인덱싱하도록 바꿈
Source Flow Debugger가 별도 DB URL 없이 커밋된 SQLite의 리비전, 레코드 수와 임베딩 수를 직접 확인하고, 저장된 벡터는 Node에서 cosine similarity로 검색하도록 연결함
벡터 DB 덤프는 embedding 모델, 차원과 인덱스 구현에 종속되므로 별도 기준 데이터로 두지 않고, 필요하면 같은 SQLite에서 다시 생성하는 파생 인덱스로 구분함