02 E-COMMERCE Sectores regulados Alto

E-commerce — Migracion de Monolito a Microservicios

Marketplace con monolito Django de 200K lineas extrae servicios progresivamente con 60% de codigo generado por IA.

◻ intake ★★★

△ architect ★★★

◇ vigil ★★☆

⬡ licit ★★☆

Diagrama de arquitectura

Contexto

Un marketplace con un monolito Django de 200K lineas extrae servicios progresivamente. El 60% del codigo nuevo lo generan agentes de IA. El equipo necesita rastrear que microservicios fueron generados por IA para compliance y responsabilidad.

Flujo con 4 herramientas

◻ Fase 01 — intake

Spec por bounded context

Genera especificaciones separadas por bounded context desde Jira y codigo fuente existente.

◻ intake

intake init "Extract Users Service" \
  --source jira://SHOP/label:users-extraction \
  --source src/monolith/apps/users/ \
  --format architect

△ Fase 02 — architect

Implementacion en paralelo

Extrae multiples servicios simultaneamente con agentes trabajando en paralelo.

△ architect

architect parallel \
  --task "Extrae Users Service segun spec/" \
  --task "Extrae Catalog Service segun spec/" \
  --task "Implementa API Gateway con Traefik"

◇ Fase 03 — vigil

Verificacion por servicio

Escanea cada servicio independientemente y genera reportes SARIF consolidados.

◇ vigil

for svc in services/*/; do
  vigil scan "$svc" --format sarif --output "reports/vigil-$(basename $svc).sarif"
done

⬡ Fase 04 — licit

Provenance tracking de la migracion

Rastrea que microservicios fueron generados por IA y genera changelog de configuraciones de agentes.

⬡ licit

licit trace --since "2024-06-01"
licit changelog
licit report --format html --output reports/migration-compliance.html
licit verify --min-score 70

Por que licit es critico aqui

Durante una migracion masiva donde agentes de IA generan el 60% del codigo nuevo, licit rastrea exactamente que servicios tienen codigo AI-generated, que modelos se usaron, y si los guardrails fueron modificados durante el proceso.