21 июля 2026 г.

С помощью Markdown -> JSONL Converter выполнили преобразование официальной документации в JSONL, собрав 1 422 из 1 550 элементов

Продолжили выполнение Qwen Validation Debugger с пунктов 46 по 50, проверили сгенерированный код, проверку движка Godot 3/4 и результаты валидации JSONL

В пункте 50 вывода журнала отладки завершили проверку общего кода и валидацию JSONL, а динамическая загрузка ресурсов сцены в пункте 48 создавала фиксированный путь к ресурсам без модели, из‑за чего проверка движка продолжала отклонять её

При повторных попытках передавали предыдущее диагностическое сообщение движка и улучшили отладчик, чтобы использовать разный надёжный seed в каждом раунде генерации, не регистрируя вручную синтаксис или ответы для каждого пункта

Загрузили текущий JSONL сборщика 8501 в outputs/godot-rag-sqlite/godot-rag.sqlite3 и сопоставили 1 570 оригинальных URL, доменов и SHA-256 из pages.zip с источниками записей

В SQLite создали таблицы docs_chunks, api_mapping, label_prototypes, добавили provenance оригиналов и индекс поиска FTS5, а также сделали возможным создание снимка тем же билдером до завершения полного сбора

После сравнения дампов SQLite и векторной БД в формате, пригодном для загрузки в Git, выбран SQLite, который сохраняет оригинальные записи и их provenance, позволяя воссоздавать и делиться данными без отдельного сервера

Сначала SQLite добавлялся только как базовый артефакт для загрузки в Git, а стратегия F в Source Flow Debugger продолжала использовать PostgreSQL, из‑за чего возникала проблема согласованности: один и тот же JSONL нужно было применять отдельно к SQLite и PostgreSQL

Чтобы избавиться от двойного управления, базовые данные стратегии F и рабочее хранилище были объединены в один закоммиченный SQLite, а настройки подключения к PostgreSQL и путь миграции удалены

Кандидаты BM25 читаются из SQLite FTS5, затем вычисляются в Node с помощью Okapi BM25, а эмбеддинги сохраняются в той же SQLite‑таблице record_embeddings вместе с моделью, размерностью, SHA‑256 содержимого записи и вектором Float32, чтобы переиндексировать только изменённые записи

Source Flow Debugger теперь проверяет ревизию, количество записей и количество эмбеддингов в закоммиченном SQLite без отдельного URL БД, а сохранённые векторы ищутся в Node с помощью cosine similarity.

Дамп векторной БД зависит от модели embedding, размерности и реализации индекса, поэтому его не рассматривают как отдельные базовые данные; при необходимости он рассматривается как производный индекс, который создаётся заново в том же SQLite.