28 de maio de 2026

• Criação do projeto
• Organização do conceito do jogo de agricultura
• Coleta e download de assets do jogo concluídos (132 PNG)
  • Clone do repositório GitHub: GuardianofNature, FarmLands, Sproutville, OldTownFarm, claude-farmer
  • Fonte: Sprout Lands (Cup Nooble, CC0), SpriteCook (CC0), Kenney (CC0), CraftPix (Licença Gratuita)
  • Classificação dos assets: characters (26), tiles (19), objects (36), ui (31)
  • Todos disponíveis para uso comercial
• Configuração do pipeline CI/CD: GitHub Actions + reviewdog + ESLint + actionlint
  • Migração do ESLint v9 flat config (.eslintrc.json → eslint.config.js)
  • Correção do bug fail_level do reviewdog (errors → error)
  • Revisão de PR com CodeRabbit AI — todas as verificações aprovadas (5/5 ✅)
  • Integração com CodeFactor concluída — avaliação automática da pontuação do código (A~F)
• Integração de ferramentas de IA: CodeRabbit + Qwen Code (RunPod auto-hospedado)
• LLM: Qwen 3.6 35B (RunPod) utilizado no desenvolvimento
• Retrospectiva de desenvolvimento: docs/retrospectives/2026-05-28.md

Estrutura dos assets

assets/
├── characters/    - personagens, sprites de animais
├── tiles/         - tileset (solo, água, edifícios, ambiente)
├── objects/       - móveis, culturas, árvores, ferramentas
├── ui/            - botões, caixas de diálogo, ícones, cursor do mouse
├── music/         - BGM (não organizado)
└── sfx/           - efeitos sonoros (não organizado)

Preparação de Dados RAG da Documentação Oficial do Godot

Para treinar o detector Godot 3/4 e, futuramente, um modelo de codificação Godot baseado em Qwen, construímos dados RAG separados baseados na documentação oficial. O objetivo é que o LLM não decida rótulos arbitrariamente, mas crie candidatos de rótulo a partir de trechos de evidência e regras do sistema extraídos da documentação oficial, deixando ao LLM apenas a tarefa de auxiliar na explicação, correção de código e geração de dados de treinamento.

Os documentos relacionados são reunidos nos seguintes locais:

• docs/README.md: índice do diretório de documentos
• docs/research-notes/: notas de design e estrutura de geração de dados
• docs/roadmaps/: roadmap completo de desenvolvimento
• docs/retrospectives/: retrospectivas por data
• work/godot_rag/: atualmente vazio. Os artefatos de chunking/post‑processamento RAG foram removidos
• outputs/godot_docs_full/: resultados do rastreamento da documentação oficial do Godot

Retrospectivas relacionadas:

• docs/retrospectives/2026-06-17-godot-rag-judge.md
• docs/retrospectives/2026-06-18-godot-rag-reset.md

Dados de Origem

A documentação original que será usada no RAG está no seguinte caminho.

outputs/godot_docs_full/pages

outputs/godot_docs_stable é uma pasta de recuperação intermediária e não deve ser usada como dados de referência para RAG.

Verificação final da coleta:

Official search index target pages: 1568
Collected markdown pages: 1570
Missing pages: 0
Failed fetches: 0

O motivo de haver duas a mais é que os aliases de URL codificada de @GDScript e @GlobalScope foram coletados junto.

Status do Chunking

Os artefatos de chunking/pós‑processamento/catálogo do RAG criados em 17 de junho foram removidos da linha de base em 18 de junho.

Escopo removido:

v1 docs_chunks.jsonl  
v2 docs_chunks_v2.jsonl  
v3/v3.1 catalog/index/mapping produto  
chunking/pós-processamento/verificação script de rascunho  
rascunho inicial chat/index

Razão da remoção:

Realizamos o chunking sem analisar suficientemente a estrutura da documentação original.  
Ao delegar o chunking e o pós‑processamento ao LLM, o julgamento intermediário ficou opaco.  
Alguns APIs foram tratados como MVP central ou codificados de forma rígida, o que fez o objetivo geral de RAG baseado em documentos vacilar.  
Como resultado, tornou‑se difícil validar separadamente a qualidade dos chunks, metadados e a confiabilidade do catálogo.

A próxima tarefa não é criar um novo chunk imediatamente, mas analisar primeiro a estrutura real do documento original em outputs/godot_docs_full/pages.