idea_world_labDEV JOURNAL
2026年6月17日星期三

2026-06-17 Godot LLM 开发整体路线图

路线图图片

Godot LLM 开发整体路线图

核心流程

数据
-> 第一阶段 RAG 聊天机器人
-> SFT
-> DPO
-> SWE Agent

核心要点是先将第一代 RAG 聊天机器人打造为 Godot 文档专家，然后利用该聊天机器人对 GitHub 数据进行标注/加工，随后进行模型训练并扩展为 SWE Agent。

阶段概述

Stage 0. 准备阶段

  • 目标定义
  • 环境搭建
  • 资料收集范围定义
  • 工具开发

Stage 1. 数据收集与结构化

  • 收集 GitHub 上的 Godot 项目
  • 收集 .gd、.tscn、.tres、.cfg、project.godot、README 等文件
  • 代码分块、按场景节点提取、按配置文件提取
  • 生成 repo 元数据、文件树、代码块、场景块、配置块、README/docs 的 JSONL

Stage 2. 第一代 RAG 聊天机器人开发

  • Godot 官方文档嵌入
  • Migration 文档嵌入
  • 类参考索引
  • 开发 “提问 → 检索 → 回答” 流程
  • 调整 Godot 3 → 4 转换答案
  • 评估文档 QA 准确度和 API 推荐准确度

Stage 3. 数据标注与数据集生成

  • 对 Godot 3/4/mixed/unknown 版本进行分类
  • 提取 Godot 3 API 与 Godot 4 API 的映射关系
  • 生成转换/修改的参考答案
  • 生成 instruction 问答对
  • 生成 DPO 偏好数据
  • 生成 repo explorer 数据
  • 生成 patch 数据
  • 保存可测试性、Godot 版本兼容性、验证方法等元信息/验证信息

Stage 4. 模型训练

  • 准备基础模型
  • 基于 Instruction 数据集进行 SFT
  • 基于 Preference 数据集进行 DPO
  • 评估分类准确度、转换/生成准确度、API 拒绝率、幻觉程度

Stage 5. SWE Agent 开发

  • 定义 Godot 项目工作类型
  • 搭建文件浏览/编辑工具与 Godot CLI 测试环境
  • 收集 trajectory 数据
  • 基于 trajectory 进行 SFT/DPO
  • 基于真实 Godot 项目进行验证与评估
  • 以 API/Chatbot/Plugin 形式发布并持续收集反馈

Stage 6. 持续改进

  • 持续收集新项目/文档数据
  • 重新训练模型
  • 性能监控
  • 扩展插件/IDE 集成等功能

SWE Agent 目标能力

  • 项目分析与问题定位
  • 查找并理解所需文件
  • 代码修改与 patch 生成
  • 使用 Godot CLI 进行测试并验证结果
  • 分析失败原因并重新修改
  • 最终实现项目正常运行的能力