Cel: Rozwinąć infrastrukturę dla projektu (Python/FastAPI + JS) oraz zautomatyzować proces przeglądu kodu za pomocą LLM (agentów AI) z naciskiem na bezpieczeństwo i Multi-tenancy.
1. Etap: Ustawienie infrastruktury (Rdzeń)
• Kontrola wersji: Ustawić prywatne repozytorium na GitHubie. Ustawić zasady ochrony gałęzi (Branch protection), aby kod nie trafiał do main bez weryfikacji.
• Zarządzanie środowiskiem: Wyciągnąć wszystkie wrażliwe dane (klucze API, dane logowania do bazy danych, ustawienia proxy) do GitHub Secrets oraz plików .env. Polityka zerowych twardych sekretów.
• Centrum dokumentacji: Rozwinąć Notion (lub Linear) jako centralny menedżer zadań i bazę wiedzy.
2. Etap: Automatyzacja AI-Pipeline (Synergia)
Konieczne jest wdrożenie automatycznego łańcucha (przez GitHub Actions):
1. Wyzwalacz: Programista tworzy Pull Request lub wykonuje push.
2. Akcja: System pobiera różnicę kodu (diff) i wysyła ją przez API do LLM (Claude 3.5 Opus / GPT-4o).
3. Analiza AI (Bezpieczeństwo & Architektura):
• Audyt na wyciek serwerowych IP/domen w kodzie frontendowym.
• Sprawdzenie logiki maskowania nagłówków (Fingerprinting spoofing).
• Kontrola obecności tenant_id we wszystkich nowych modelach bazy danych oraz zapytaniach Redis.
4. Raportowanie: Wynik przeglądu automatycznie publikowany jest w Notion oraz jako komentarz do Pull Request na GitHubie.
3. Etap: Zarządzanie bezpieczeństwem i ryzykiem
• Dostęp z najmniejszymi uprawnieniami: Ustawić dostęp tak, aby operator AI nie miał dostępu do "żywych" baz danych użytkowników.
• Izolacja: Ustawić serwery Staging (testowy) oraz Production. Automatyczny deployment na Production możliwy tylko po statusie APPROVED od agenta AI oraz manualnej akceptacji właściciela.
• Dziennik audytu: Wszystkie działania z kodem oraz dostęp do serwerów muszą być logowane.
