2026-06-17 Godot RAG 판별기 -> Qwen 3.6 코딩모델 개발 흐름 메모

구조 이미지

핵심 흐름

Godot 공식문서 준비
-> 1차 청킹
-> Godot 전용 후처리
-> 로컬 검색 인프라 구축
-> GitHub 데이터 수집 및 구조화
-> RAG 판별기 실행
-> 학습 데이터셋 생성
-> Qwen 3.6 코딩모델 학습

이 메모는 Godot RAG 판별기를 먼저 만들고, 그 판별기를 이용해 Qwen 3.6 기반 Godot 코딩모델 학습 데이터셋을 생성하는 MVP 흐름을 정리한 것이다.

단계 요약

1. 공식문서 준비

• godot_docs_full.zip 준비
• 공식문서 크롤링 완료본 사용
• 아직 RAG가 아닌 원본 데이터 상태
• 입력은 .md 문서 묶음

2. 1차 청킹

• chunk_docs.py 실행
• heading 기준 청킹
• 큰 블록은 max_chars와 overlap으로 재분할
• 1차 산출물은 docs_chunks.jsonl

3. Godot 전용 후처리

• Sphinx 찌꺼기 제거
• symbols 추출
• class/method/property 메타데이터 추가
• migration 규칙 추출

산출물:

docs_chunks.jsonl
api_mapping.jsonl
label_prototypes.jsonl

4. 로컬 검색 인프라 구축

• Vector DB: 문서 임베딩
• Keyword Index: 정확 검색
• Reranker: 검색 결과 재정렬
• API Mapping DB / Label Prototype DB

중요한 점:

라벨은 시스템이 결정한다.

5. GitHub 데이터 수집 및 구조화

• .gd, .tscn, .tres, project.godot, README 수집
• repo tree 구성
• 코드/씬/설정 파일 구조화

산출물:

GitHub Structured Data JSONL

6. RAG 판별기 실행

RAG 판별기는 로컬 시스템과 원격 LLM을 함께 사용한다.

로컬 시스템 담당:

• GitHub chunk 입력
• symbol 추출
• vector + keyword 검색
• rerank
• 라벨 결정

원격 LLM 담당:

• 수정 코드 생성
• 설명 생성
• QA 샘플 생성
• DPO 후보 생성

최종 JSON은 Python 코드가 조립한다.

7. 생성되는 데이터셋

version_classification
api_mapping
migration_fix
instruction_sft
dpo_preference
repo_explorer
patch_generation
metadata_verification

초기 MVP는 1만~4만 샘플을 먼저 생성해도 충분하다고 정리했다.

8. 모델 학습

1차 학습:

Qwen 3.6 SFT

목표:

• Godot 4 우선 사고
• GDScript 기본 출력
• Godot 3 API 거부

2차 학습:

DPO

목표:

• Godot 4 답변 선호 강화

이후 확장:

SWE 확장

목표:

• repo explorer
• patch
• trajectory

핵심 원칙

• 공식문서를 기반으로 RAG 판별기를 먼저 만든다.
• 라벨은 LLM이 아니라 시스템이 결정한다.
• LLM은 생성 보조만 담당한다.
• 최종 목표는 Qwen 3.6 Godot 코딩모델이다.