22 de junho de 2026 | idea_world

Adicionei a configuração de PostgreSQL local para o classificador RAG da documentação oficial do Godot
- Documentei a execução de um contêiner pgvector/pgvector:pg16 via Docker Compose.
- Alinhei a coluna de payload do DB com os nomes de campo de docs_chunks.jsonl, api_mapping.jsonl e label_prototypes.jsonl.
- Defini as tabelas docs_chunks, api_mapping, label_prototypes, ingest_reports e índices para buscas por palavra‑chave/exata.
- Mantive a coluna de embedding aberta; o índice vetorial será criado em migração separada após definir a dimensionalidade do modelo de embedding.
- Documentação da configuração do DB: docs/database/2026-06-22-local-postgres-setup.md
Registrei em retrospectiva o processo de conversão de Markdown → JSONL e a preparação para ingestão no DB local
- Em vez de inserir o Markdown da documentação diretamente no DB, converto‑o primeiro em JSONL intermediário para pré‑visualização e validação.
- Divido o resultado em docs_chunks, api_mapping e label_prototypes e organizo a estrutura de forma que seja fácil de carregar no PostgreSQL local.
- Retrospectiva: docs/retrospectives/2026-06-22.md
Documentei por que tornei o repositório privado novamente após tê‑lo tornado público e reflito sobre as implicações da abertura
- Embora eu me sentisse inseguro sobre meu nível de habilidade, percebi que compartilhar registros pode servir de base para outras pessoas e acelerar meu próprio crescimento.
- Também planejei hospedar um endpoint LLM local em um ambiente Oracle Cloud com 24 GB de VRAM para integrar automação de workflow/PR review no GitHub.
- Devido à perda da conta Oracle Cloud e à complexidade da configuração no RunPod, adiei a automação de revisão de PR baseada em LLM para um futuro próximo.
O trabalho restante para hoje será focar em converter cerca de 1 500 arquivos Markdown da documentação oficial para JSONL e carregá‑los no DB local
- Cada arquivo leva mais tempo que o esperado, então ainda não sei se conseguirei concluir todos os 1 500 hoje.
- Até agora, com base nos logs, foram processados 39 arquivos done + 4 deferred, totalizando 43 arquivos em aproximadamente 1 hora e 9 minutos.
- A velocidade média é de ~1,6 min por arquivo; para converter os 1 570 arquivos estimamos cerca de 42 horas de processamento.
Como provavelmente não terei tempo amanhã e depois, organizei o plano de validação que será continuado depois
- Primeiro, injetarei os JSONL já gerados no PostgreSQL local e verificarei se a busca está funcional.
- Em seguida, seguindo o workflow descrito em docs/roadmaps/2026-06-21-initial-rag-classifier-architecture.md, testarei em pequeno escala o fluxo: script Python → parser de código fonte → Retriever → evidence JSONL → chamada à API Qwen 3.6.
- Periodicamente, verificarei como o Qwen 3.6 responde com base nas evidências fornecidas pelo Retriever.