Stageopdracht – AI in de SDLC

Van functionele analyse tot release (end-to-end)

📌 Projectdoel

Dit project maakt deel uit van een 12-weekse stageopdracht en onderzoekt hoe Artificiële Intelligentie (AI) concreet ingezet kan worden om het volledige Software Development Life Cycle (SDLC) te ondersteunen.

Het doel is het ontwikkelen van een werkende end-to-end AI-gebaseerde oplossing die developers ondersteunt bij:

Functionele analyse
Technische analyse
Codegeneratie
Code-review
Testautomatisatie
DevOps & dependency management

De focus ligt op praktische toepasbaarheid, traceerbaarheid en kwaliteit, binnen een realistische enterprise-context.

🧱 Technologie-stack

Deze opdracht sluit aan bij de standaard stack binnen de organisatie:

Backend: Java 21, Spring Boot 4, Maven
Frontend: React 19 (TypeScript), Vite
API: REST, JSON
Testing: JUnit 5, Spring Boot Test, Jest, React Testing Library, flow-based testing
CI/CD: GitHub Actions, SonarQube Cloud, Jira, Jenkins
Version control: GitHub, Dependabot
AI tooling: Google Gemini API, LangGraph-stijl agenten, prompt-engineering, schema-validatie
Containerisatie: Docker, Docker Compose, GHCR

📂 Repository-structuur

AI-SDLC/                         ← parent repository (bevat alle CI-logica en AI-tooling)
├── .github/
│   ├── workflows/               ← alle GitHub Actions workflows
│   │   ├── ci.yml               ← centrale CI: AI-flow, build, test, Sonar, Docker, deploy
│   │   ├── sonarcloud.yml       ← herbruikbare SonarCloud analyse workflow
│   │   ├── ai-code-fixes.yml    ← AI-gedreven foutherstel bij CI-falen
│   │   ├── feature-validation.yml ← PR-validatie via /validate-feature-xxx commentaar
│   │   ├── dependabot-automation.yml ← Gemini AI review + auto-merge van Dependabot PRs
│   │   └── dependabot-jira.yml  ← automatisch Jira-tickets aanmaken/sluiten voor Dependabot PRs
│   ├── scripts/
│   │   ├── ai-fix-utils.sh      ← shell library: Sonar-issues ophalen, AI-fixes toepassen, coverage boosten
│   │   ├── sonar-pr-comment.sh  ← plaatst gedetailleerd Sonar-rapport als PR-commentaar
│   │   └── sonar-rule-details.sh ← haalt regelomschrijving op uit SonarCloud API
│   ├── ai-fix-config.env        ← configuratie voor de AI-fix workflow (labels, drempelwaarden, …)
│   └── dependabot.yml           ← Dependabot configuratie (ecosystemen, schema's, groeperingen)
├── ai/
│   ├── flow.sh                  ← hoofd-orchestrator: voert alle SDLC-stappen sequentieel uit
│   ├── sync-from-fa.sh          ← wrapper die de Gemini-agent aanroept
│   ├── generate-tests.sh        ← genereert backend- en frontendtests uit TA + flow JSON
│   ├── fa-to-ta.sh              ← aparte wrapper voor de FA→TA stap
│   ├── agent/
│   │   └── sync-from-fa.mjs     ← Gemini-agent: FA → TA JSON + flow JSON + test context
│   ├── testgen/
│   │   ├── generate-backend-tests.mjs   ← Java TestRestTemplate integratietests genereren
│   │   ├── generate-frontend-tests.mjs  ← React Testing Library tests genereren
│   │   ├── generate-flow-json.mjs       ← flow testscenario's genereren vanuit FA
│   │   └── utils.mjs                    ← gedeelde hulpfuncties voor alle testgeneratoren
│   ├── validator/
│   │   └── validate.mjs         ← AJV JSON-schema validatie van TA en flow JSON
│   ├── prompts/                 ← systeemprompts voor alle Gemini-aanroepen
│   ├── schemas/
│   │   ├── ta.schema.json       ← JSON-schema voor de Technische Analyse
│   │   └── flowtests.schema.json ← JSON-schema voor flow testscenario's
│   └── rules/                   ← per-feature business-rules voor validatie
├── backend/                     ← Spring Boot applicatie
├── frontend/                    ← React/TypeScript applicatie
├── docs/
│   ├── functional-analysis/     ← FA markdown-bestanden per feature
│   ├── technical-analysis/      ← AI-gegenereerde TA markdown + JSON per feature
│   ├── test-scenarios/          ← AI-gegenereerde flow testscenario's per feature
│   ├── test-context/            ← AI-gegenereerde testcontext per feature
│   └── child-repo-templates/    ← kant-en-klare caller-workflows voor child repos
├── docker-compose.yml
├── sonar-project.properties
└── Documentation.md             ← volledige feature- en transferdocumentatie

Deze repository fungeert tegelijk als parent repository in een parent-child patroon: alle workflow-logica, AI-scripts en tooling leven hier centraal. Child-repositories (bv. AI-SDLC-Child) bevatten enkel applicatiecode en vijf dunne caller-workflows die delegeren naar deze parent.

🗺️ Milestones

🧩 Milestone 1 – Basis & infrastructuur

Doel:
Een stabiele basis creëren om AI-ondersteuning te demonstreren binnen een gecontroleerde omgeving.

Opgeleverd:

Projectstructuur met backend (Spring Boot) en frontend (React/TypeScript)
Vastgelegde conventies en standaarden
Eerste AI-instructiesets (prompts en workflows)
GitHub Actions basisopzet

🔍 Milestone 2 – Analyse-ondersteuning

Doel:
AI inzetten om analysewerk te versnellen en te structureren.

Wat het doet:

Een developer schrijft een Functionele Analyse als markdown-bestand in docs/functional-analysis/<feature-id>.md. Zodra dit bestand bestaat, verwerkt de Gemini-agent (ai/agent/sync-from-fa.mjs) het volledig automatisch:

De FA wordt gelezen en omgezet naar een gestructureerde Technische Analyse (docs/technical-analysis/<feature-id>.ta.json).
Tegelijk worden flow testscenario's gegenereerd (docs/test-scenarios/<feature-id>.flow.json) die beschrijven welke stappen een gebruiker doorloopt en welke responses worden verwacht.
Een testcontext (docs/test-context/<feature-id>.md) wordt aangemaakt met aanvullende achtergrond voor de testgeneratoren.
Alle JSON-output wordt gevalideerd tegen stricte JSON-schema's (ai/schemas/) via AJV.

De agent gebruikt temperatuur 0 voor deterministische, consistente output en past bestaande documenten incrementeel bij zonder bestaande requirements te verwijderen.

Traceerbaarheid: FA.md → ta.json + flow.json + context.md → tests

🧠 Milestone 3 – Codegeneratie

Doel:
AI inzetten om van analyse naar werkende code te gaan.

Wat het doet:

Vanuit de gegenereerde TA en flow testscenario's genereert de pipeline automatisch:

Backend integratietests (backend/src/test/java/…/<Feature>GeneratedIT.java) — volwaardige Spring Boot TestRestTemplate-tests die de REST-endpoints van de feature valideren. De tests respecteren de bestaande controller/service/repository-architectuur en de naming conventions van het project.
Frontend component-tests (frontend/src/ui/__generated__/<Feature>.test.tsx) — React Testing Library-tests die de UI-componenten van de feature testen op basis van de TA en flow-scenario's.

De gegenereerde code is geen tijdelijke scaffold maar directe, uitvoerbare testcode die onmiddellijk door mvn test en npm test wordt opgepikt.

🧪 Milestone 4 – Testautomatisatie

Doel:
Automatisch kwaliteitscontrole toevoegen via AI.

Wat het doet:

De testautomatisatie werkt op twee niveaus:

Generatie (bij elke CI-run):

ai/generate-tests.sh genereert backend- en frontendtests vanuit de actuele TA en flow JSON.
Tests worden gegenereerd op basis van de requirements (REQ), business rules (BR), acceptance criteria (AC) en API-contracts uit de TA.

Coverage-bewaking (AI Code Fixes workflow):

Na elke SonarCloud-scan controleert de pipeline of de code coverage boven 80 % ligt.
Als de coverage te laag is, of als de SonarCloud Quality Gate faalt op nieuwe code, vraagt de pipeline Gemini om extra tests te genereren voor de niet-gedekte code.
De pipeline herhaalt de SonarCloud-scan na het toevoegen van de extra tests.

Flow-based testing:
De flow.json-bestanden beschrijven gebruikersstromen als een reeks stappen met HTTP-methode, endpoint, request-body en verwachte response. Deze worden gebruikt als basis voor zowel de backend integratietests als de frontend component-tests.

🚀 Milestone 5 – DevOps & dependency management

Doel:
AI integreren in het build- en deliveryproces.

Wat het doet:

SonarQube AI Fix Flow:
Na elke push of PR voert de CI-pipeline een volledige SonarCloud-analyse uit. Als de Quality Gate faalt of als er open HIGH/MEDIUM-issues zijn, triggert de ai-code-fixes.yml workflow automatisch:

Foutlogs en broncode worden naar Gemini gestuurd.
Gemini analyseert de issues en genereert concrete code-fixes.
De fixes worden toegepast op backend/src/ en frontend/src/.
Er wordt automatisch een Pull Request geopend met een gedetailleerde beschrijving per issue (inclusief de SonarQube-regelomschrijving, wat er fout was en hoe het is opgelost).
Gemini doet een self-review van het gegenereerde PR.

Dependabot + AI + Jira:

Dependabot detecteert dagelijks verouderde afhankelijkheden (Maven, npm, GitHub Actions) en opent automatisch PRs.
Bij elke Dependabot-PR maakt de dependabot-jira.yml workflow automatisch een Jira Task aan met de PR-titel, body en link. Wanneer de PR wordt gemerged of gesloten, wordt het Jira-ticket automatisch gesloten.
De dependabot-automation.yml workflow laat Gemini een risico-analyse uitvoeren op de dependency-update. Het resultaat is een gestructureerde review met risicoclassificatie (LOW/MEDIUM/HIGH), een inschatting van breaking changes en een aanbeveling: APPROVE of HOLD.
semver-patch-updates met groene CI en een APPROVE-beslissing worden automatisch gemerged. MINOR- en MAJOR-updates krijgen altijd een HOLD en vereisen handmatige review.

Docker & deployment:
Bij elke push naar main na een geslaagde Quality Gate bouwt en publiceert de CI-pipeline automatisch Docker-images naar GHCR (GitHub Container Registry) — getagd met :latest en :<git-sha> — en deployt via docker compose up -d.

🤖 Milestone 6 – Agentic AI (extra)

Doel:
Een volledig geautomatiseerde SDLC-flow aantonen.

Wat het doet:

De volledige pipeline is een keten van gespecialiseerde AI-agents die elk een afgebakende SDLC-stap uitvoeren:

Stap	Agent / Tool	Output
FA inlezen	`sync-from-fa.mjs` (Gemini)	TA JSON, flow JSON, testcontext
Schema-validatie	`validate.mjs` (AJV)	Validatierapport
Testgeneratie	`generate-backend-tests.mjs` / `generate-frontend-tests.mjs` (Gemini)	Java IT-tests, TSX tests
Build & test	Maven + Jest	Testresultaten, coverage
Kwaliteitsanalyse	SonarCloud + `sonar-pr-comment.sh` (Gemini)	PR-commentaar met uitleg
AI-foutherstel	`ai-fix-utils.sh` (Gemini)	Code-fixes, fix-PR
PR-validatie	`feature-validation.yml` (Gemini)	PASS/PARTIAL/FAIL rapport
Dependency review	`dependabot-automation.yml` (Gemini)	APPROVE/HOLD beslissing
Jira-koppeling	`dependabot-jira.yml` (Jira REST API)	Jira Task aanmaak/sluiting
Docker & deploy	Docker, GHCR, Compose	Draaiende containers

De enige twee handmatige stappen in de volledige flow zijn: (1) een FA schrijven en pushen, en (2) een gegenereerde fix-PR reviewen en mergen. Alles daartussenin is volledig geautomatiseerd.

🔍 Feature-uitleg

Feature 1 — LangGraph / Analyse-ondersteuning (FA → TA → Tests)

De kern van het systeem. Een Functionele Analyse-bestand triggert een Gemini-agent die de volledige documentatieketen opbouwt en testcode genereert. De agent gebruikt structurele JSON-schema's om te garanderen dat de output consistent en machineleesbaar is. Bestaande documenten worden incrementeel bijgewerkt zonder bestaande requirements te verwijderen.

De traceerbaarheid loopt van FA.md → ta.json → flow.json → context.md → GeneratedIT.java → *.test.tsx.

Feature 2 — SonarQube AI Fix Flow + AI Code Fixes

Een drielaagse kwaliteitsloop die volledig zonder menselijke interventie draait:

CI-laag: bouwt, test en scant met SonarCloud. Blokkeert bij HIGH/MEDIUM-issues of een gefaalde Quality Gate.
AI Fix-laag: analyseert de foutlogs en broncode met Gemini, past fixes toe, opent een PR met per-issue uitleg.
Coverage-laag: als de coverage onder 80 % valt of nieuwe code ongedekt is, genereert Gemini extra tests en herscant SonarCloud.

Feature 3 — PR Validatie

Op elk moment kan een developer een PR-commentaar plaatsen om te controleren of de geïmplementeerde code overeenkomt met de originele analyses. De feature-validation.yml workflow leest automatisch de FA en TA op uit docs/functional-analysis/ en docs/technical-analysis/, verzamelt de code-context van de gewijzigde bestanden in de PR, en stuurt alles naar Gemini.

Twee modi:

Standaard (/validate-feature-011) — stuurt de volledige bestandsinhoud van enkel de gewijzigde PR-bestanden naar Gemini. Meest geschikt voor gerichte validatie van een specifieke implementatie.
Full (/validate-feature-011 --full) — includeert ook de eerste 150 regels van alle Java- en TypeScript-bronbestanden in de repo. Geschikt voor een globaal overzicht van de implementatiestatus.

Wat het rapport controleert:

Sectie	Bron	Wat wordt gecontroleerd
Requirements (REQ-xxx)	FA	Geïmplementeerd / ontbrekend / gedeeltelijk
Business Rules (BR-xxx)	FA	Afgedwongen / ontbrekend / gedeeltelijk
Acceptance Criteria (AC-xxx)	FA	Gedekt / niet gedekt / gedeeltelijk
Non-Functional Requirements (NFR-xxx)	FA	Aanwezig / ontbrekend / gedeeltelijk
API Contracts	TA	Paden, methodes, request/response, statuscodes
Domain Model & Database	TA	Entiteiten, velden, relaties, constraints
Backend Design	TA	Controller/service/repository-structuur
Frontend Design	TA	Componenten en routes
Eindverdict	FA + TA + code	PASS / PARTIAL / FAIL

De workflow reageert met een 👍-reactie op het commentaar en plaatst het volledige rapport als nieuw PR-commentaar binnen 1–2 minuten. De validatie blokkeert nooit een merge — het rapport is puur informatief.

Feature 4 — Dependabot PR + Jira Issues

Koppelt het dependency-update-proces aan Jira en AI-review. Dependabot detecteert dagelijks verouderde afhankelijkheden (Maven, npm, GitHub Actions) en opent automatisch PRs.

dependabot-jira.yml zorgt voor de Jira-koppeling:

Bij het openen van een Dependabot-PR wordt automatisch een Jira Task aangemaakt via de Jira REST API (v3, ADF-formaat) met de PR-titel, body en een directe link naar de PR.
De Jira issue-key wordt als commentaar op de PR geplaatst (🎫 Jira task created: [ABC-123]).
Wanneer de PR wordt gemerged of gesloten, zoekt de workflow het Jira-commentaar op, haalt de beschikbare transities op en sluit het ticket automatisch via de Closed of Done transitie.
De aanmaak is idempotent: als er al een Jira-commentaar bestaat voor de PR, wordt de aanmaak overgeslagen.

dependabot-automation.yml verzorgt de AI-review en auto-merge:

Gemini ontvangt de PR-titel, body en een diff-samenvatting en genereert een gestructureerde Markdown-review met risicoclassificatie (LOW/MEDIUM/HIGH), een inschatting van breaking changes, verificatiestappen en een aanbeveling.
Bij APPROVE wordt de PR automatisch goedgekeurd. Bij semver-patch + groene CI + APPROVE wordt de PR automatisch gemerged.
MINOR- en MAJOR-updates krijgen altijd HOLD en vereisen handmatige review.
Fallback zonder Gemini: semver-patch → APPROVE, alles anders → HOLD.

Feature 5 — Docker Deployment & Packages

De Docker-integratie is volledig onderdeel van de centrale CI-workflow (ci.yml) en wordt enkel uitgevoerd bij een directe push naar main — niet bij PRs — en enkel als de SonarCloud Quality Gate is geslaagd.

Wat er gebeurt bij elke succesvolle push naar main:

Backend packaging — mvn package -DskipTests bouwt een uitvoerbaar JAR-bestand.
Frontend build — npm run build compileert de React-applicatie naar statische bestanden.
Docker login — inloggen op GitHub Container Registry (GHCR) via het automatische GITHUB_TOKEN.
Backend image bouwen en pushen — op basis van backend/Dockerfile (Eclipse Temurin 21 JRE Alpine, poort 9090). Getagd als :latest én :<git-sha>.
Frontend image bouwen en pushen — op basis van frontend/Dockerfile (nginx-alpine, poort 80). Getagd als :latest én :<git-sha>.
Deployment — docker compose pull && docker compose up -d haalt de nieuwe images op en herstart de containers.

Tagging-strategie:
Elke image krijgt twee tags: :latest voor de meest recente versie en :<git-sha> voor een exacte, reproduceerbare versie die gebruikt kan worden voor rollbacks. De docker-compose.yml krijgt tijdens de deployment de volledige ghcr.io/<owner>/<image>:<git-sha>-referentie als omgevingsvariabele mee zodat altijd de exacte nieuwe versie wordt uitgerold.

Feature 6 — Parent/Child Repository Patroon

Dit patroon lost het onderhoudsprobleem van gedupliceerde CI-logica op. Alle workflow-intelligentie (AI-scripts, prompts, schema's, shell-utilities, testgeneratoren) leeft uitsluitend in deze parent repository. Een child-repository bevat enkel applicatiecode en vijf dunne caller-workflows.

Hoe de koppeling werkt:

Elke caller-workflow in een child repo delegeert volledig via GitHub's workflow_call mechanisme:

# In child repo: .github/workflows/ci.yml (volledig bestand, ~15 regels)
jobs:
  ci:
    uses: OwenNolis/AI-SDLC/.github/workflows/ci.yml@main
    secrets: inherit
    with:
      FEATURE_ID: ${{ vars.FEATURE_ID }}
      SONAR_PROJECT_KEY: ${{ vars.SONAR_PROJECT_KEY }}
      # ...

De vijf caller-workflows in een child repo zijn: ci.yml, ai-code-fixes.yml, sonarcloud.yml, dependabot-jira.yml en dependabot-automation.yml.

Hoe AI-scripts de child repo bereiken:
De parent CI-workflow doet een tweede sparse-checkout van zichzelf tijdens de uitvoering in de child-context:

Checkout AI-SDLC tools → .sdlc-tools/
  - .github/scripts/       ← shell utilities
  - .github/ai-fix-config.env
  - ai/                    ← flow.sh, testgeneratoren, prompts, schema's

De scripts komen tijdelijk in .sdlc-tools/ terecht in de werkruimte van de child. Ze worden nooit opgeslagen in de child repo. Bij elke run wordt de nieuwste versie uit de parent opgehaald — een update in de parent is onmiddellijk van kracht in alle child repos zonder dat er iets in de child hoeft te worden aangepast.

Wat nooit in een child repo staat: alle workflow-logica, AI-scripts, prompts, schema's, testgeneratoren, de validator en de child-repo-templates zelf.

🚫 Niet in scope

Volledige organisatorische implementatie van AI binnen het bedrijf
Change management of HR-impact
Juridische of compliance-uitwerking op bedrijfsniveau

📄 Enablementplan

Naast de technische implementatie wordt een enablementplan (± 1 A4) opgeleverd met:

Aanbevelingen voor AI-adoptie
Mogelijke risico's
Governance en kwaliteitsbewaking
Tooling-keuzes en randvoorwaarden

Dit document dient als adviesdocument voor toekomstige adoptie.

▶️ How to run

🔧 Vereisten

Java 21+
Node.js 22+
Maven
Git
(Optioneel) Docker

🖥️ Backend starten

cd backend
mvn clean spring-boot:run
# http://localhost:9090

🖥️ Frontend starten

cd frontend
npm install
npm run dev
# http://localhost:5173

🥽 Tests creëren

🖥️ Backend

node ai/testgen/generate-backend-tests.mjs feature-001-support-ticket

🖥️ Frontend

node ai/testgen/generate-frontend-tests.mjs feature-001-support-ticket

🧪 Tests uitvoeren

🖥️ Backend

cd backend
mvn test

🖥️ Frontend

cd frontend
npm test

🔬 Volledige SDLC-flow

Flow only testing

./ai/flow.sh feature-001-support-ticket

Flow + TA matrix testing

BACKEND_MATRIX=1 ./ai/flow.sh feature-001-support-ticket

🚀 CI/CD & DevOps

Dit project maakt gebruik van een hybride CI/CD-aanpak waarbij GitHub Actions en AI-ondersteuning gecombineerd worden om het volledige SDLC-proces te automatiseren.

Volledige pipeline

push / PR → ci.yml
  ├─ AI-SDLC flow (FA → TA → tests → build → mvn test → npm test)
  ├─ SonarCloud analyse + Quality Gate
  ├─ PR-commentaar met Sonar-rapport (op PRs)
  ├─ Docker build & push → GHCR           (alleen main push)
  └─ Docker Compose deploy                (alleen main push)

CI gefaald → ai-code-fixes.yml
  ├─ Foutdetectie (compilatie, tests, Sonar-issues)
  ├─ Gemini genereert fixes
  ├─ Coverage boost indien nodig
  ├─ Herhaalde SonarCloud-scan
  └─ Fix-PR aanmaken

Dependabot PR → dependabot-automation.yml + dependabot-jira.yml
  ├─ Gemini AI review (APPROVE / HOLD)
  ├─ Auto-merge bij PATCH + CI groen + APPROVE
  ├─ Jira Task aanmaken
  └─ Jira Task sluiten na merge

PR-commentaar /validate-feature-xxx → feature-validation.yml
  └─ FA + TA + code → Gemini → PASS/PARTIAL/FAIL rapport

✅ Verwachte resultaten

Werkende end-to-end AI-flow
Volledige traceerbaarheid: requirement → analyse → code → tests
Herbruikbare instructiesets
Praktische demo's
Onderbouwd enablementplan

📚 Verdere documentatie

Zie Documentation.md voor een volledige Engelstalige feature-documentatie, inclusief transfergids en compleet secrets/variables overzicht.

👤 Auteur

Stageopdracht – AI in de SDLC
Student: Owen Nolis
Opleiding: Toegepaste Informatica / AP Hogeschool
Periode: 02/02/26 - 29/05/26

Name		Name	Last commit message	Last commit date
Latest commit History 735 Commits
.github		.github
.idea		.idea
.vscode		.vscode
ai		ai
backend		backend
docs		docs
frontend		frontend
.gitignore		.gitignore
Documentation.md		Documentation.md
Jenkinsfile		Jenkinsfile
LICENSE		LICENSE
README.md		README.md
docker-compose.yml		docker-compose.yml
sonar-project.properties		sonar-project.properties

Folders and files

Latest commit

History

Repository files navigation

Stageopdracht – AI in de SDLC

📌 Projectdoel

🧱 Technologie-stack

📂 Repository-structuur

🗺️ Milestones

🧩 Milestone 1 – Basis & infrastructuur

🔍 Milestone 2 – Analyse-ondersteuning

🧠 Milestone 3 – Codegeneratie

🧪 Milestone 4 – Testautomatisatie

🚀 Milestone 5 – DevOps & dependency management

🤖 Milestone 6 – Agentic AI (extra)

🔍 Feature-uitleg

Feature 1 — LangGraph / Analyse-ondersteuning (FA → TA → Tests)

Feature 2 — SonarQube AI Fix Flow + AI Code Fixes

Feature 3 — PR Validatie

Feature 4 — Dependabot PR + Jira Issues

Feature 5 — Docker Deployment & Packages

Feature 6 — Parent/Child Repository Patroon

🚫 Niet in scope

📄 Enablementplan

▶️ How to run

🔧 Vereisten

🖥️ Backend starten

🖥️ Frontend starten

🥽 Tests creëren

🖥️ Backend

🖥️ Frontend

🧪 Tests uitvoeren

🖥️ Backend

🖥️ Frontend

🔬 Volledige SDLC-flow

Flow only testing

Flow + TA matrix testing

🚀 CI/CD & DevOps

Volledige pipeline

✅ Verwachte resultaten

📚 Verdere documentatie

👤 Auteur

About

Topics

Resources

License

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Uh oh!

Contributors

Uh oh!

Languages

Packages