Converter Markdown → JSONL avançou a conversão de documentos oficiais de 1.550 para 1.422 itens
Continuou a execução do Qwen Validation Debugger do item 46 ao 50, verificando código gerado, inspeção dos motores Godot 3/4 e resultados de validação JSONL
O log de depuração do item 50 completou o código comum e a validação JSONL; o carregamento dinâmico de recursos da cena no item 48 gera um caminho de recurso fixo inexistente, sendo rejeitado continuamente na inspeção do motor
Ao re‑tentar, o diagnóstico do motor anterior é passado, e o depurador foi aprimorado para usar uma seed estável diferente a cada rodada, sem registrar manualmente gramática ou respostas por item
Carregado o JSONL atual do coletor 8501 em outputs/godot-rag-sqlite/godot-rag.sqlite3 e comparado os 1.570 URLs originais, domínios e SHA‑256 com a origem dos registros
Configurados no SQLite docs_chunks, api_mapping, label_prototypes, a proveniência original e o índice de busca FTS5, permitindo criar snapshots adicionais com o mesmo builder antes da coleta completa
Comparado o dump do SQLite e do banco vetorial para gerar um formato pronto para Git; preservada a proveniência dos registros originais e escolhido o SQLite que pode ser recriado e compartilhado sem servidor separado
Inicialmente, o SQLite foi adicionado apenas como artefato de saída para Git, enquanto a estratégia F do Source Flow Debugger continuava apontando para PostgreSQL, gerando inconsistência ao precisar refletir o mesmo JSONL em ambos os bancos
Consolidado a estratégia F unificando os dados de referência e o repositório de execução em um único SQLite comprometido, removendo configurações de conexão e caminhos de migração do PostgreSQL
Os candidatos BM25 são lidos do SQLite FTS5, calculados no Node com Okapi BM25; embeddings são armazenados em record_embeddings no mesmo SQLite junto com modelo, dimensão, SHA‑256 do conteúdo e vetor Float32, re‑indexando apenas registros modificados
O Source Flow Debugger agora verifica diretamente a revisão, contagem de registros e embeddings do SQLite comprometido, e os vetores armazenados são pesquisados no Node via similaridade cosseno
Dumps de bancos vetoriais dependem do modelo de embedding, dimensão e implementação do índice, portanto não são mantidos como dados de referência separados; quando necessário, são gerados novamente como índices derivados no mesmo SQLite