Github Actions Cicd

github_actions_cicd

GitHub Actions ejecuta automáticamente linting, tests, análisis de seguridad y build de imágenes Docker en cada Pull Request. Un PR solo puede mergearse si pasan todos los gates de calidad.

When to use

Configurar antes de escribir el primer test. El pipeline de CI es la red de seguridad que previene que código roto llegue a main.

Instructions

1. Crear .github/workflows/ci.yml:

   name: CI
   on: [push, pull_request]
   jobs:
     quality:
       runs-on: ubuntu-latest
       steps:
         - uses: actions/checkout@v4
         - uses: actions/setup-python@v4
           with: { python-version: "3.11" }
         - run: pip install -r requirements-dev.txt
         - run: ruff check .
         - run: mypy backend/
         - run: bandit -r backend/ -ll
         - run: safety check
     tests:
       runs-on: ubuntu-latest
       services:
         postgres:
           image: postgres:16-alpine
           env: {POSTGRES_PASSWORD: test}
         redis:
           image: redis:7-alpine
       steps:
         - uses: actions/checkout@v4
         - run: pip install -r requirements.txt -r requirements-dev.txt
         - run: pytest backend/tests/ --cov=backend --cov-fail-under=80
     security-scan:
       runs-on: ubuntu-latest
       steps:
         - uses: actions/checkout@v4
         - uses: aquasecurity/trivy-action@master
           with: { image-ref: "kyc-api:${{ github.sha }}", format: "table", exit-code: 1 }
   

2. Añadir branch protection en GitHub: requerir que quality, tests y security-scan pasen antes de merge.
3. Workflow de CD en .github/workflows/deploy.yml: build + push a registry + deploy a Kubernetes al hacer merge en main.
4. Usar actions/cache para cachear el pip install — reduce tiempo de CI de 5 min a 2 min.
5. Secrets en GitHub Actions (Settings > Secrets): REGISTRY_TOKEN, KUBECONFIG, VAULT_TOKEN.

Notes

• El umbral de cobertura --cov-fail-under=80 debe aumentarse gradualmente conforme madura el proyecto.
• Separar CI (en cada PR) de CD (solo en main) — nunca deployar desde una rama de feature.
• Para modelos ML pesados, usar runners self-hosted con GPU para los tests de integración del pipeline.