22 de junho de 2026 - Dev Journal

Adicionei a configuração de PostgreSQL local para o classificador RAG da documentação oficial do Godot
- Documentei a execução do contêiner pgvector/pgvector:pg16 via Docker Compose.
- Alinhei a coluna payload do banco 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 e ingest_reports, bem como índices para buscas por palavra‑chave/exata.
- Deixei a coluna de embedding aberta; o índice vetorial será criado em migração separada após definir a dimensionalidade do modelo de embedding.
- Documentação da configuração: docs/database/2026-06-22-local-postgres-setup.md
Registrei em retrospectiva o fluxo de conversão Markdown → JSONL e a preparação para inserção 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, facilitando a ingestão no PostgreSQL local.
- Retrospectiva: docs/retrospectives/2026-06-22.md
Documentei por que tornei o repositório privado novamente após tê‑lo tornado público
- Sentia insegurança quanto ao meu nível de habilidade, mas percebi que compartilhar registros pode servir de base para outros e acelerar meu próprio crescimento.
- Também planejei rodar um endpoint LLM local em um ambiente Oracle Cloud com 24 GB de VRAM para integrar à automação de workflows/PR reviews do GitHub.
- Devido à perda da conta Oracle Cloud e à complexidade da configuração do RunPod, adiei a automação de revisão de PR baseada em LLM para um momento futuro.
O trabalho restante para hoje será focar na conversão de cerca de 1 500 arquivos Markdown da documentação oficial para JSONL e inseri‑los no DB local
- A conversão de um único arquivo está levando 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 9 minutos.
- A velocidade média é de ~1,6 minutos 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, seguirei o workflow descrito em docs/roadmaps/2026-06-21-initial-rag-classifier-architecture.md para validar, em pequeno escala, o fluxo: código‑fonte → AST Parser → Retriever → evidence JSONL → chamada à API Qwen 3.6.
- Periodicamente, verificarei como o Qwen 3.6 responde com base nas evidências fornecidas pelo Retriever.