金大哥 - mockloop-mcp MCP 详情

article

README

🚀 MockLoop MCP - AI原生测试平台

MockLoop MCP 是由模型上下文协议（MCP）驱动的全球首个 AI 原生 API 测试平台。它凭借全面的 AI 驱动场景生成、自动化测试执行和智能分析能力，彻底改变了 API 测试方式。

🚀 革命性能力：5 种 AI 提示 • 15 种场景资源 • 16 种测试工具 • 10 种上下文工具 • 4 种核心工具 • 完整的 MCP 集成
📚 文档：https://docs.mockloop.com
📦 PyPI 包：https://pypi.org/project/mockloop-mcp/
🐙 GitHub 仓库：https://github.com/mockloop/mockloop-mcp

🚀 快速开始

使用全球最先进的 AI 原生测试平台，按以下步骤操作：

# 1. 安装 MockLoop MCP
pip install mockloop-mcp

# 2. 验证安装
mockloop-mcp --version

# 3. 使用 MCP 客户端（Cline、Claude Desktop 等）进行配置
# 请参阅下面的配置示例

✨ 主要特性

MockLoop MCP 代表了 API 测试的范式转变，引入了全球首个 AI 原生测试架构，它结合了以下特性：

🤖 AI 驱动的测试生成：5 个专门的 MCP 提示，用于智能场景创建
📦 社区场景包：15 个经过精心策划的测试资源，具备社区架构
⚡ 自动化测试执行：30 个全面的 MCP 工具，用于完整的测试工作流程（16 个测试工具 + 10 个上下文工具 + 4 个核心工具）
🔄 有状态测试：使用 GlobalContext 和 AgentContext 进行高级上下文管理
📊 企业合规性：完整的审计日志记录和法规合规性跟踪
🏗️ 双端口架构：通过分离模拟 API 和管理端口，消除 /admin 路径冲突

📦 安装指南

前提条件

Python 3.10+
Pip 包管理器
Docker 和 Docker Compose（用于容器化模拟服务器）
兼容 MCP 的客户端（Cline、Claude Desktop 等）

选项 1：从 PyPI 安装（推荐）

# 安装最新稳定版本
pip install mockloop-mcp

# 或者安装带有可选依赖项的版本
pip install mockloop-mcp[dev]   # 开发工具
pip install mockloop-mcp[docs]  # 文档工具
pip install mockloop-mcp[all]   # 所有可选依赖项

# 验证安装
mockloop-mcp --version

选项 2：开发环境安装

# 克隆仓库
git clone https://github.com/mockloop/mockloop-mcp.git
cd mockloop-mcp

# 创建并激活虚拟环境
python3 -m venv .venv
source .venv/bin/activate  # 在 Windows 上：.venv\Scripts\activate

# 以开发模式安装
pip install -e ".[dev]"

⚙️ 配置

MCP 客户端配置

Cline（VS Code 扩展）

在 Cline MCP 设置文件中添加以下内容：

{
  "mcpServers": {
    "MockLoopLocal": {
      "autoApprove": [],
      "disabled": false,
      "timeout": 60,
      "command": "mockloop-mcp",
      "args": [],
      "transportType": "stdio"
    }
  }
}

Claude Desktop

在 Claude Desktop 配置中添加以下内容：

{
  "mcpServers": {
    "mockloop": {
      "command": "mockloop-mcp",
      "args": []
    }
  }
}

虚拟环境安装

对于虚拟环境安装，使用完整的 Python 路径：

{
  "mcpServers": {
    "MockLoopLocal": {
      "command": "/path/to/your/venv/bin/python",
      "args": ["-m", "mockloop_mcp"],
      "transportType": "stdio"
    }
  }
}

💻 使用示例

基础用法

# 1. 安装 MockLoop MCP
pip install mockloop-mcp

# 2. 验证安装
mockloop-mcp --version

高级用法

from mockloop_mcp.mcp_tools import create_mcp_plugin

# 创建一个支持代理的插件
plugin_result = await create_mcp_plugin(
    spec_url_or_path="https://api.example.com/openapi.json",
    mode="hybrid",  # 从混合模式开始
    plugin_name="example_api",
    target_url="https://api.example.com",
    auth_config={
        "auth_type": "bearer_token",
        "credentials": {"token": "your-token"}
    },
    routing_rules=[
        {
            "pattern": "/api/critical/*",
            "mode": "proxy",  # 关键端点使用实时 API
            "priority": 10
        },
        {
            "pattern": "/api/dev/*",
            "mode": "mock",   # 开发端点使用模拟数据
            "priority": 5
        }
    ]
)

📚 详细文档

可用的 MCP 工具

核心模拟生成

`generate_mock_api`

生成具有双端口架构的复杂 FastAPI 模拟服务器。

参数：

spec_url_or_path（字符串，必需）：API 规范的 URL 或本地文件路径
output_dir_name（字符串，可选）：输出目录名称
auth_enabled（布尔值，可选）：启用身份验证中间件（默认：true）
webhooks_enabled（布尔值，可选）：启用 Webhook 支持（默认：true）
admin_ui_enabled（布尔值，可选）：启用管理 UI（默认：true）
storage_enabled（布尔值，可选）：启用存储功能（默认：true）

革命性的双端口架构：

模拟 API 端口：提供 API 端点服务（默认：8000）
管理 UI 端口：独立的管理界面（默认：8001）
冲突解决：消除 OpenAPI 规范中的 /admin 路径冲突
增强的安全性：基于端口的访问控制和隔离

高级分析

`query_mock_logs`

使用 AI 驱动的洞察力查询和分析请求日志。

参数：

server_url（字符串，必需）：模拟服务器 URL
limit（整数，可选）：返回的最大日志数（默认：100）
offset（整数，可选）：分页偏移量（默认：0）
method（字符串，可选）：按 HTTP 方法过滤
path_pattern（字符串，可选）：用于路径过滤的正则表达式模式
time_from（字符串，可选）：开始时间过滤（ISO 格式）
time_to（字符串，可选）：结束时间过滤（ISO 格式）
include_admin（布尔值，可选）：包括管理请求（默认：false）
analyze（布尔值，可选）：执行 AI 分析（默认：true）

AI 驱动的分析：

性能指标（P95/P99 响应时间）
错误率分析和分类
流量模式检测
自动调试建议
会话关联和跟踪

`discover_mock_servers`

支持双端口架构的智能服务器发现。

参数：

ports（数组，可选）：要扫描的端口（默认：常用端口）
check_health（布尔值，可选）：执行健康检查（默认：true）
include_generated（布尔值，可选）：包括生成的模拟服务器（默认：true）

高级发现：

自动架构检测（单端口 vs 双端口）
健康状态监控
服务器关联和匹配
端口使用分析

`manage_mock_data`

无需重启服务器即可进行动态响应管理。

参数：

server_url（字符串，必需）：模拟服务器 URL
operation（字符串，必需）：操作类型（"update_response", "create_scenario", "switch_scenario", "list_scenarios"）
endpoint_path（字符串，可选）：API 端点路径
response_data（对象，可选）：新的响应数据
scenario_name（字符串，可选）：场景名称
scenario_config（对象，可选）：场景配置

动态功能：

实时响应更新
基于场景的测试
运行时配置管理
零停机修改

MCP 代理功能

MockLoop MCP 包含革命性的代理功能，可实现模拟和实时 API 环境之间的无缝切换。此强大功能为您的测试工作流程带来以下优势：

核心代理功能

🔄 无缝模式切换：无需更改代码即可在模拟、代理和混合模式之间切换
🎯 智能路由：根据可配置的规则和条件进行智能请求路由
🔐 通用身份验证：支持 API 密钥、Bearer 令牌、基本身份验证和 OAuth2
📊 响应比较：自动比较模拟和实时 API 响应
⚡ 零停机切换：动态更改模式，无需中断服务

操作模式

模拟模式 (`MOCK`)

所有请求由生成的模拟响应处理
可预测、一致的测试环境
适用于早期开发和隔离测试
无需外部依赖或网络调用

代理模式 (`PROXY`)

所有请求转发到实时 API 端点
实时数据和真实响应
完整的集成测试能力
依赖网络操作，需要实时凭据

混合模式 (`HYBRID`)

根据规则在模拟和代理之间进行智能路由
根据请求模式、标头或参数进行条件切换
从模拟环境逐步迁移到实时环境
A/B 测试和选择性端点代理

AI 框架集成

LangGraph 集成

from langgraph.graph import StateGraph, END
from mockloop_mcp import MockLoopClient

# 初始化 MockLoop 客户端
mockloop = MockLoopClient()

def setup_ai_testing(state):
    """AI 驱动的测试设置"""
    # 使用 AI 分析生成模拟 API
    result = mockloop.generate_mock_api(
        spec_url_or_path="https://api.example.com/openapi.json",
        output_dir_name="ai_test_environment"
    )
    
    # 使用 AI 提示生成场景
    scenarios = mockloop.analyze_openapi_for_testing(
        api_spec=state["api_spec"],
        analysis_depth="comprehensive",
        include_security_tests=True
    )
    
    state["mock_server_url"] = "http://localhost:8000"
    state["test_scenarios"] = scenarios
    return state

def execute_ai_tests(state):
    """执行 AI 生成的测试场景"""
    # 部署 AI 生成的场景
    for scenario in state["test_scenarios"]:
        mockloop.deploy_scenario(
            server_url=state["mock_server_url"],
            scenario_config=scenario
        )
        
        # 使用 AI 优化执行负载测试
        results = mockloop.run_load_test(
            server_url=state["mock_server_url"],
            scenario_name=scenario["name"],
            duration=300,
            concurrent_users=100
        )
        
        # AI 驱动的结果分析
        analysis = mockloop.analyze_test_results(
            test_results=results,
            include_recommendations=True
        )
        
        state["test_results"].append(analysis)
    
    return state

# 构建 AI 原生测试工作流程
workflow = StateGraph(dict)
workflow.add_node("setup_ai_testing", setup_ai_testing)
workflow.add_node("execute_ai_tests", execute_ai_tests)
workflow.set_entry_point("setup_ai_testing")
workflow.add_edge("setup_ai_testing", "execute_ai_tests")
workflow.add_edge("execute_ai_tests", END)

app = workflow.compile()

CrewAI 多智能体测试

from crewai import Agent, Task, Crew
from mockloop_mcp import MockLoopClient

# 初始化 MockLoop 客户端
mockloop = MockLoopClient()

# AI 测试专家智能体
api_testing_agent = Agent(
    role='AI API Testing Specialist',
    goal='Generate and execute comprehensive AI-driven API tests',
    backstory='Expert in AI-native testing with MockLoop MCP integration',
    tools=[
        mockloop.generate_mock_api,
        mockloop.analyze_openapi_for_testing,
        mockloop.generate_scenario_config
    ]
)

# 性能分析智能体
performance_agent = Agent(
    role='AI Performance Analyst',
    goal='Analyze API performance with AI-powered insights',
    backstory='Specialist in AI-driven performance analysis and optimization',
    tools=[
        mockloop.run_load_test,
        mockloop.get_performance_metrics,
        mockloop.analyze_test_results
    ]
)

# 安全测试智能体
security_agent = Agent(
    role='AI Security Testing Expert',
    goal='Conduct AI-driven security testing and vulnerability assessment',
    backstory='Expert in AI-powered security testing methodologies',
    tools=[
        mockloop.generate_security_test_scenarios,
        mockloop.run_security_test,
        mockloop.compare_test_runs
    ]
)

# 定义 AI 驱动的任务
ai_setup_task = Task(
    description='Generate AI-native mock API with comprehensive testing scenarios',
    agent=api_testing_agent,
    expected_output='Mock server with AI-generated test scenarios deployed'
)

performance_task = Task(
    description='Execute AI-optimized performance testing and analysis',
    agent=performance_agent,
    expected_output='Comprehensive performance analysis with AI recommendations'
)

security_task = Task(
    description='Conduct AI-driven security testing and vulnerability assessment',
    agent=security_agent,
    expected_output='Security test results with AI-powered threat analysis'
)

# 创建 AI 测试团队
ai_testing_crew = Crew(
    agents=[api_testing_agent, performance_agent, security_agent],
    tasks=[ai_setup_task, performance_task, security_task],
    verbose=True
)

# 执行 AI 原生测试工作流程
results = ai_testing_crew.kickoff()

LangChain AI 测试工具

from langchain.agents import Tool, AgentExecutor, create_react_agent
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from mockloop_mcp import MockLoopClient

# 初始化 MockLoop 客户端
mockloop = MockLoopClient()

# AI 原生测试工具
def ai_generate_mock_api(spec_path: str) -> str:
    """Generate AI-enhanced mock API with intelligent scenarios"""
    # 生成模拟 API
    result = mockloop.generate_mock_api(spec_url_or_path=spec_path)
    
    # 使用 AI 进行分析和增强
    analysis = mockloop.analyze_openapi_for_testing(
        api_spec=spec_path,
        analysis_depth="comprehensive",
        include_security_tests=True
    )
    
    return f"AI-enhanced mock API generated: {result}\nAI Analysis: {analysis['summary']}"

def ai_execute_testing_workflow(server_url: str) -> str:
    """Execute comprehensive AI-driven testing workflow"""
    # 创建测试会话上下文
    session = mockloop.create_test_session_context(
        session_name="ai_testing_session",
        configuration={"ai_enhanced": True}
    )
    
    # 生成并部署 AI 场景
    scenarios = mockloop.generate_scenario_config(
        api_spec=server_url,
        scenario_types=["load", "error", "security"],
        ai_optimization=True
    )
    
    results = []
    for scenario in scenarios:
        # 部署场景
        mockloop.deploy_scenario(
            server_url=server_url,
            scenario_config=scenario
        )
        
        # 执行带有 AI 监控的测试
        test_result = mockloop.execute_test_plan(
            server_url=server_url,
            test_plan=scenario["test_plan"],
            ai_monitoring=True
        )
        
        results.append(test_result)
    
    # AI 驱动的分析
    analysis = mockloop.analyze_test_results(
        test_results=results,
        include_recommendations=True,
        ai_insights=True
    )
    
    return f"AI testing workflow completed: {analysis['summary']}"

# 创建 LangChain 工具
ai_testing_tools = [
    Tool(
        name="AIGenerateMockAPI",
        func=ai_generate_mock_api,
        description="Generate AI-enhanced mock API with intelligent testing scenarios"
    ),
    Tool(
        name="AIExecuteTestingWorkflow",
        func=ai_execute_testing_workflow,
        description="Execute comprehensive AI-driven testing workflow with intelligent analysis"
    )
]

# 创建 AI 测试智能体
llm = ChatOpenAI(temperature=0)
ai_testing_prompt = PromptTemplate.from_template("""
You are an AI-native testing assistant powered by MockLoop MCP.
You have access to revolutionary AI-driven testing capabilities including:
- AI-powered scenario generation
- Intelligent test execution
- Advanced performance analysis
- Security vulnerability assessment
- Stateful workflow management

Tools available: {tools}
Tool names: {tool_names}

Question: {input}
{agent_scratchpad}
""")

agent = create_react_agent(llm, ai_testing_tools, ai_testing_prompt)
agent_executor = AgentExecutor(agent=agent, tools=ai_testing_tools, verbose=True)

# 执行 AI 原生测试
response = agent_executor.invoke({
    "input": "Generate a comprehensive AI-driven testing environment for a REST API and execute full testing workflow"
})

双端口架构

MockLoop MCP 引入了革命性的 双端口架构，消除了常见冲突并增强了安全性：

架构优势

🔒 增强的安全性：模拟 API 和管理功能完全分离
⚡ 零冲突：消除 OpenAPI 规范中的 /admin 路径冲突
📊 清晰的分析：管理调用不会出现在模拟 API 指标中
🔄 独立扩展：可分别扩展模拟 API 和管理服务
🛡️ 基于端口的访问控制：通过网络隔离增强安全性

端口配置

# 生成具有双端口架构的模拟
result = mockloop.generate_mock_api(
    spec_url_or_path="https://api.example.com/openapi.json",
    business_port=8000,  # 模拟 API 端口
    admin_port=8001,     # 管理 UI 端口
    admin_ui_enabled=True
)

访问点

模拟 API：http://localhost:8000 - 您的 API 端点
管理 UI：http://localhost:8001 - 管理界面
API 文档：http://localhost:8000/docs - 交互式 Swagger UI
健康检查：http://localhost:8000/health - 服务器状态

企业特性

合规性和审计日志记录

MockLoop MCP 提供企业级合规性特性：

完整的审计跟踪：每个请求/响应都记录有元数据
法规合规性：支持 GDPR、SOX、HIPAA 合规性
性能指标：P95/P99 响应时间、错误率
安全监控：威胁检测和分析
会话跟踪：跨请求关联和分析

高级分析

AI 驱动的洞察力：智能分析和建议
流量模式检测：自动异常检测
性能优化：AI 驱动的性能建议
错误分析：智能错误分类和解决
趋势分析：历史性能和使用趋势

有状态测试工作流程

MockLoop MCP 通过高级上下文管理支持复杂的有状态测试工作流程：

上下文类型

测试会话上下文：在测试执行过程中维护状态
工作流上下文：复杂的多步骤测试编排
智能体上下文：AI 智能体状态管理和协调
全局上下文：跨会话数据共享和持久化

示例：有状态的电子商务测试

# 创建测试会话上下文
session = mockloop.create_test_session_context(
    session_name="ecommerce_integration_test",
    configuration={
        "test_type": "integration",
        "environment": "staging",
        "ai_enhanced": True
    }
)

# 创建用于多步骤测试的工作流上下文
workflow = mockloop.create_workflow_context(
    workflow_name="user_journey_test",
    parent_context=session["context_id"],
    steps=[
        "user_registration",
        "product_browsing",
        "cart_management",
        "checkout_process",
        "order_fulfillment"
    ]
)

# 执行有状态的测试工作流程
for step in workflow["steps"]:
    # 使用步骤数据更新上下文
    mockloop.update_context_data(
        context_id=workflow["context_id"],
        data={"current_step": step, "timestamp": datetime.now()}
    )
    
    # 执行特定步骤的测试
    test_result = mockloop.execute_test_plan(
        server_url="http://localhost:8000",
        test_plan=f"{step}_test_plan",
        context_id=workflow["context_id"]
    )
    
    # 创建快照以支持回滚
    snapshot = mockloop.create_context_snapshot(
        context_id=workflow["context_id"],
        snapshot_name=f"{step}_completion"
    )

# 分析完整的工作流结果
final_analysis = mockloop.analyze_test_results(
    test_results=workflow["results"],
    context_id=workflow["context_id"],
    include_recommendations=True
)

运行生成的模拟服务器

使用 Docker Compose（推荐）

# 导航到生成的模拟目录
cd generated_mocks/your_api_mock

# 使用双端口架构启动
docker-compose up --build

# 访问点：
# 模拟 API：http://localhost:8000
# 管理 UI：http://localhost:8001

直接使用 Uvicorn

# 安装依赖项
pip install -r requirements_mock.txt

# 启动模拟服务器
uvicorn main:app --reload --port 8000

增强功能访问

管理 UI：http://localhost:8001 - 增强的管理界面
API 文档：http://localhost:8000/docs - 交互式 Swagger UI
健康检查：http://localhost:8000/health - 服务器状态和指标
日志分析：http://localhost:8001/api/logs/search - 高级日志查询
性能指标：http://localhost:8001/api/logs/analyze - AI 驱动的洞察力
场景管理：http://localhost:8001/api/mock-data/scenarios - 动态测试

性能和可扩展性

MockLoop MCP 专为企业级性能而设计：

性能指标

响应时间：跟踪 P50、P95、P99 百分位数
吞吐量：监控每秒请求数
错误率：全面的错误分析
资源使用：监控内存、CPU 和网络
并发：支持多用户负载测试

可扩展性特性

水平扩展：支持多实例部署
负载均衡：内置负载均衡功能
缓存：智能响应缓存
数据库优化：高效支持 SQLite 和 PostgreSQL
容器编排：支持 Kubernetes 和 Docker Swarm

安全特性

内置安全

身份验证中间件：可配置的身份验证机制
速率限制：防止滥用和 DoS 攻击
输入验证：全面的请求验证
安全标头：CORS、CSP 和安全标头
审计日志记录：完整的安全事件记录

安全测试

漏洞评估：AI 驱动的安全测试
渗透测试：自动生成安全场景
合规性检查：验证安全标准合规性
威胁建模：AI 驱动的威胁分析
安全报告：全面的安全分析

🔧 技术细节

未来开发

即将推出的功能 🚧

增强的 AI 功能

高级机器学习模型：自定义模型训练用于 API 测试
预测分析：AI 驱动的故障预测
智能测试生成：自我改进的测试场景
自然语言测试：用纯英语描述测试

扩展协议支持

GraphQL 支持：原生 GraphQL API 测试
gRPC 集成：支持协议缓冲区测试
WebSocket 测试：实时通信测试
事件驱动测试：异步和基于事件的 API 测试

企业集成

CI/CD 集成：原生管道集成
监控平台：与 Datadog、New Relic、Prometheus 集成
身份提供商：支持 SSO 和企业身份验证
合规框架：扩展法规合规支持

🤝 贡献

我们欢迎对 MockLoop MCP 的贡献！请参阅我们的贡献指南了解详细信息。

开发设置

# 分叉并克隆仓库
git clone https://github.com/your-username/mockloop-mcp.git
cd mockloop-mcp

# 创建开发环境
python3 -m venv .venv
source .venv/bin/activate

# 安装开发依赖项
pip install -e ".[dev]"

# 运行测试
pytest tests/

# 运行质量检查
ruff check src/
bandit -r src/

社区

GitHub 仓库：mockloop/mockloop-mcp
问题和错误报告：GitHub 问题
功能请求：GitHub 问题
文档：docs.mockloop.com

📄 许可证

MockLoop MCP 根据 MIT 许可证授权。

🎉 立即开始！

准备好使用全球首个 AI 原生测试平台彻底改变您的 API 测试了吗？

pip install mockloop-mcp

加入 AI 原生测试革命，使用 MockLoop MCP 体验 API 测试的未来！

🚀 立即开始 →

mockloop-mcp

README

🚀 MockLoop MCP - AI原生测试平台

🚀 快速开始

✨ 主要特性

📦 安装指南

前提条件

选项 1：从 PyPI 安装（推荐）

选项 2：开发环境安装

⚙️ 配置

MCP 客户端配置

Cline（VS Code 扩展）

Claude Desktop

虚拟环境安装

💻 使用示例

基础用法

高级用法

📚 详细文档

可用的 MCP 工具

核心模拟生成

generate_mock_api

高级分析

query_mock_logs

discover_mock_servers

manage_mock_data

MCP 代理功能

核心代理功能

操作模式

模拟模式 (MOCK)

代理模式 (PROXY)

混合模式 (HYBRID)

AI 框架集成

LangGraph 集成

CrewAI 多智能体测试

LangChain AI 测试工具

双端口架构

架构优势

端口配置

访问点

企业特性

合规性和审计日志记录

高级分析

有状态测试工作流程

上下文类型

示例：有状态的电子商务测试

运行生成的模拟服务器

使用 Docker Compose（推荐）

直接使用 Uvicorn

增强功能访问

性能和可扩展性

性能指标

可扩展性特性

安全特性

内置安全

安全测试

🔧 技术细节

未来开发

即将推出的功能 🚧

增强的 AI 功能

扩展协议支持

企业集成

🤝 贡献

开发设置

社区

📄 许可证

🎉 立即开始！

运行方式说明

托管运行

本地运行 / 其它方式

`generate_mock_api`

`query_mock_logs`

`discover_mock_servers`

`manage_mock_data`

模拟模式 (`MOCK`)

代理模式 (`PROXY`)

混合模式 (`HYBRID`)