Mockloop MCP

🚀 MockLoop MCP - AI原生測試平臺

MockLoop MCP 是由模型上下文協議（MCP）驅動的全球首個 AI 原生 API 測試平臺。它藉助全面的 AI 驅動場景生成、自動化測試執行和智能分析功能，徹底革新了 API 測試方式。

🚀 革命性能力：5 種 AI 提示 • 15 種場景資源 • 16 種測試工具 • 10 種上下文工具 • 4 種核心工具 • 完整的 MCP 集成

📚 文檔：https://docs.mockloop.com
📦 PyPI 包：https://pypi.org/project/mockloop-mcp/
🐙 GitHub 倉庫：https://github.com/mockloop/mockloop-mcp

🚀 快速開始

使用全球最先進的 AI 原生測試平臺，按以下步驟操作：

# 1. 安裝 MockLoop MCP
pip install mockloop-mcp

# 2. 驗證安裝
mockloop-mcp --version

# 3. 使用 MCP 客戶端（Cline、Claude Desktop 等）進行配置
# 請參閱下面的配置示例

✨ 主要特性

🌟 MockLoop MCP 的革命性之處

MockLoop MCP 代表了 API 測試的範式轉變，引入了全球首個 AI 原生測試架構，它結合了：

• 🤖 AI 驅動的測試生成：5 種專門的 MCP 提示，用於智能場景創建
• 📦 社區場景包：15 種經過精心策劃的測試資源，具有社區架構
• ⚡ 自動化測試執行：30 種全面的 MCP 工具，用於完整的測試工作流程（16 種測試 + 10 種上下文 + 4 種核心）
• 🔄 有狀態測試：使用 GlobalContext 和 AgentContext 進行高級上下文管理
• 📊 企業合規性：完整的審計日誌記錄和法規合規性跟蹤
• 🏗️ 雙端口架構：通過分離模擬 API 和管理端口，消除 /admin 路徑衝突

🎯 核心 AI 原生架構

MCP 審計日誌記錄

企業級合規性和法規跟蹤

• 完整的請求/響應審計跟蹤
• 法規合規性監控
• 性能指標和分析
• 安全事件日誌記錄

MCP 提示（5 種 AI 驅動能力）

由 AI 驅動的智能場景生成

• analyze_openapi_for_testing - 用於測試策略的全面 API 分析
• generate_scenario_config - 動態測試場景配置
• optimize_scenario_for_load - 負載測試優化
• generate_error_scenarios - 錯誤條件模擬
• generate_security_test_scenarios - 安全漏洞測試

MCP 資源（15 種場景包）

具有高級架構的社區驅動測試場景

• 負載測試場景：高流量模擬
• 錯誤模擬包：全面的錯誤條件測試
• 安全測試套件：漏洞評估場景
• 性能基準測試：標準化性能測試
• 集成測試包：跨服務測試場景
• 社區架構：協作場景共享和驗證

MCP 工具（16 種自動化測試工具）

完整的自動化測試執行能力

場景管理（4 種工具）

• validate_scenario_config - 場景驗證和確認
• deploy_scenario - 自動化場景部署
• switch_scenario - 動態場景切換
• list_active_scenarios - 活動場景監控

測試執行（4 種工具）

• execute_test_plan - 全面的測試計劃執行
• run_test_iteration - 單個測試迭代管理
• run_load_test - 負載測試執行
• run_security_test - 安全測試自動化

分析與報告（4 種工具）

• analyze_test_results - 智能測試結果分析
• generate_test_report - 全面的報告
• compare_test_runs - 測試運行比較和趨勢分析
• get_performance_metrics - 性能指標收集

工作流管理（4 種工具）

• create_test_session - 測試會話初始化
• end_test_session - 會話清理和結束
• schedule_test_suite - 自動化測試調度
• monitor_test_progress - 實時進度監控

MCP 上下文管理（10 種有狀態工作流工具）

用於複雜測試工作流的高級狀態管理

上下文創建與管理

• create_test_session_context - 測試會話狀態管理
• create_workflow_context - 複雜工作流編排
• create_agent_context - AI 代理狀態管理

數據管理

• get_context_data - 上下文數據檢索
• update_context_data - 動態上下文更新
• list_contexts_by_type - 上下文發現和列表

快照與恢復

• create_context_snapshot - 狀態快照創建
• restore_context_snapshot - 狀態回滾能力

全局上下文

• get_global_context_data - 跨會話數據共享
• update_global_context_data - 全局狀態管理

📦 安裝指南

選項 1：從 PyPI 安裝（推薦）

# 安裝最新穩定版本
pip install mockloop-mcp

# 或者安裝帶有可選依賴項的版本
pip install mockloop-mcp[dev]   # 開發工具
pip install mockloop-mcp[docs]  # 文檔工具
pip install mockloop-mcp[all]   # 所有可選依賴項

# 驗證安裝
mockloop-mcp --version

選項 2：開發環境安裝

# 克隆倉庫
git clone https://github.com/mockloop/mockloop-mcp.git
cd mockloop-mcp

# 創建並激活虛擬環境
python3 -m venv .venv
source .venv/bin/activate  # 在 Windows 上：.venv\Scripts\activate

# 以開發模式安裝
pip install -e ".[dev]"

📋 前提條件

• Python 3.10+
• Pip 包管理器
• Docker 和 Docker Compose（用於容器化模擬服務器）
• 兼容 MCP 的客戶端（Cline、Claude Desktop 等）

⚙️ 配置

MCP 客戶端配置

Cline（VS Code 擴展）

添加到您的 Cline MCP 設置文件中：

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

Claude Desktop

添加到您的 Claude Desktop 配置中：

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

虛擬環境安裝

對於虛擬環境安裝，使用完整的 Python 路徑：

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

💻 使用示例

基礎用法

以下是使用 MockLoop MCP 代理功能的基礎示例代碼：

from mockloop_mcp.mcp_tools import create_mcp_plugin

# 創建一個支持代理的插件
plugin_result = await create_mcp_plugin(
    spec_url_or_path="https://api.example.com/openapi.json",
    mode="hybrid",  # 從混合模式開始
    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",  # 關鍵端點使用實時 API
            "priority": 10
        },
        {
            "pattern": "/api/dev/*",
            "mode": "mock",   # 開發端點使用模擬數據
            "priority": 5
        }
    ]
)

高級用法

以下是使用 MockLoop MCP 與不同 AI 框架集成的高級用法示例：

LangGraph 集成

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

# 初始化 MockLoop 客戶端
mockloop = MockLoopClient()

def setup_ai_testing(state):
    """AI 驅動的測試設置"""
    # 使用 AI 分析生成模擬 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 提示生成測試場景
    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):
    """執行 AI 生成的測試場景"""
    # 部署 AI 生成的場景
    for scenario in state["test_scenarios"]:
        mockloop.deploy_scenario(
            server_url=state["mock_server_url"],
            scenario_config=scenario
        )
        
        # 執行經過 AI 優化的負載測試
        results = mockloop.run_load_test(
            server_url=state["mock_server_url"],
            scenario_name=scenario["name"],
            duration=300,
            concurrent_users=100
        )
        
        # 進行 AI 驅動的結果分析
        analysis = mockloop.analyze_test_results(
            test_results=results,
            include_recommendations=True
        )
        
        state["test_results"].append(analysis)
    
    return state

# 構建 AI 原生測試工作流
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 多代理測試

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

# 初始化 MockLoop 客戶端
mockloop = MockLoopClient()

# AI 測試專家代理
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
    ]
)

# 性能分析代理
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
    ]
)

# 安全測試代理
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
    ]
)

# 定義 AI 驅動的任務
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'
)

# 創建 AI 測試團隊
ai_testing_crew = Crew(
    agents=[api_testing_agent, performance_agent, security_agent],
    tasks=[ai_setup_task, performance_task, security_task],
    verbose=True
)

# 執行 AI 原生測試工作流
results = ai_testing_crew.kickoff()

LangChain AI 測試工具

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 客戶端
mockloop = MockLoopClient()

# AI 原生測試工具
def ai_generate_mock_api(spec_path: str) -> str:
    """生成具有智能場景的 AI 增強模擬 API"""
    # 生成模擬 API
    result = mockloop.generate_mock_api(spec_url_or_path=spec_path)
    
    # 使用 AI 進行分析和增強
    analysis = mockloop.analyze_openapi_for_testing(
        api_spec=spec_path,
        analysis_depth="comprehensive",
        include_security_tests=True
    )
    
    return f"AI 增強的模擬 API 已生成: {result}\nAI 分析: {analysis['summary']}"

def ai_execute_testing_workflow(server_url: str) -> str:
    """執行全面的 AI 驅動測試工作流"""
    # 創建測試會話上下文
    session = mockloop.create_test_session_context(
        session_name="ai_testing_session",
        configuration={"ai_enhanced": True}
    )
    
    # 生成並部署 AI 場景
    scenarios = mockloop.generate_scenario_config(
        api_spec=server_url,
        scenario_types=["load", "error", "security"],
        ai_optimization=True
    )
    
    results = []
    for scenario in scenarios:
        # 部署場景
        mockloop.deploy_scenario(
            server_url=server_url,
            scenario_config=scenario
        )
        
        # 執行帶有 AI 監控的測試
        test_result = mockloop.execute_test_plan(
            server_url=server_url,
            test_plan=scenario["test_plan"],
            ai_monitoring=True
        )
        
        results.append(test_result)
    
    # 進行 AI 驅動的分析
    analysis = mockloop.analyze_test_results(
        test_results=results,
        include_recommendations=True,
        ai_insights=True
    )
    
    return f"AI 測試工作流已完成: {analysis['summary']}"

# 創建 LangChain 工具
ai_testing_tools = [
    Tool(
        name="AIGenerateMockAPI",
        func=ai_generate_mock_api,
        description="生成具有智能測試場景的 AI 增強模擬 API"
    ),
    Tool(
        name="AIExecuteTestingWorkflow",
        func=ai_execute_testing_workflow,
        description="執行全面的 AI 驅動測試工作流並進行智能分析"
    )
]

# 創建 AI 測試代理
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)

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

📚 詳細文檔

🛠️ 可用的 MCP 工具

核心模擬生成

generate_mock_api

生成具有雙端口架構的複雜 FastAPI 模擬服務器。

參數：

• spec_url_or_path（字符串，必需）：API 規範 URL 或本地文件路徑
• output_dir_name（字符串，可選）：輸出目錄名稱
• auth_enabled（布爾值，可選）：啟用身份驗證中間件（默認：true）
• webhooks_enabled（布爾值，可選）：啟用 Webhook 支持（默認：true）
• admin_ui_enabled（布爾值，可選）：啟用管理 UI（默認：true）
• storage_enabled（布爾值，可選）：啟用存儲功能（默認：true）

革命性的雙端口架構：

• 模擬 API 端口：提供您的 API 端點（默認：8000）
• 管理 UI 端口：獨立的管理界面（默認：8001）
• 衝突解決：消除 OpenAPI 規範中的 /admin 路徑衝突
• 增強的安全性：基於端口的訪問控制和隔離

高級分析

query_mock_logs

使用 AI 驅動的洞察查詢和分析請求日誌。

參數：

• server_url（字符串，必需）：模擬服務器 URL
• limit（整數，可選）：返回的最大日誌數（默認：100）
• offset（整數，可選）：分頁偏移量（默認：0）
• method（字符串，可選）：按 HTTP 方法過濾
• path_pattern（字符串，可選）：用於路徑過濾的正則表達式模式
• time_from（字符串，可選）：開始時間過濾（ISO 格式）
• time_to（字符串，可選）：結束時間過濾（ISO 格式）
• include_admin（布爾值，可選）：包括管理請求（默認：false）
• analyze（布爾值，可選）：執行 AI 分析（默認：true）

AI 驅動的分析：

• 性能指標（P95/P99 響應時間）
• 錯誤率分析和分類
• 流量模式檢測
• 自動調試建議
• 會話關聯和跟蹤

discover_mock_servers

支持雙端口架構的智能服務器發現。

參數：

• ports（數組，可選）：要掃描的端口（默認：常用端口）
• check_health（布爾值，可選）：執行健康檢查（默認：true）
• include_generated（布爾值，可選）：包括生成的模擬服務器（默認：true）

高級發現：

• 自動架構檢測（單端口 vs 雙端口）
• 健康狀態監控
• 服務器關聯和匹配
• 端口使用分析

manage_mock_data

無需重啟服務器即可進行動態響應管理。

參數：

• server_url（字符串，必需）：模擬服務器 URL
• operation（字符串，必需）：操作類型（"update_response", "create_scenario", "switch_scenario", "list_scenarios"）
• endpoint_path（字符串，可選）：API 端點路徑
• response_data（對象，可選）：新的響應數據
• scenario_name（字符串，可選）：場景名稱
• scenario_config（對象，可選）：場景配置

動態功能：

• 實時響應更新
• 基於場景的測試
• 運行時配置管理
• 零停機修改

🌐 MCP 代理功能

MockLoop MCP 包含革命性的代理功能，可實現模擬和實時 API 環境之間的無縫切換。此強大功能通過以下方式改變您的測試工作流程：

核心代理功能

• 🔄 無縫模式切換：無需更改代碼即可在模擬、代理和混合模式之間切換
• 🎯 智能路由：基於可配置的規則和條件進行智能請求路由
• 🔐 通用身份驗證：支持 API 密鑰、Bearer 令牌、基本身份驗證和 OAuth2
• 📊 響應比較：自動比較模擬和實時 API 響應
• ⚡ 零停機切換：動態更改模式而不中斷服務

操作模式

模擬模式 (MOCK)

• 所有請求由生成的模擬響應處理
• 可預測、一致的測試環境
• 適用於早期開發和隔離測試
• 無需外部依賴項或網絡調用

代理模式 (PROXY)

• 所有請求轉發到實時 API 端點
• 實時數據和真實響應
• 完整的集成測試能力
• 依賴網絡並使用實時憑證

混合模式 (HYBRID)

• 基於規則在模擬和代理之間進行智能路由
• 根據請求模式、標頭或參數進行條件切換
• 從模擬環境逐步遷移到實時環境
• A/B 測試和選擇性端點代理

企業特性

合規性與審計日誌記錄

MockLoop MCP 提供企業級合規性特性：

• 完整的審計跟蹤：每個請求/響應都記錄有元數據
• 法規合規性：支持 GDPR、SOX、HIPAA 等法規
• 性能指標：P95/P99 響應時間、錯誤率
• 安全監控：威脅檢測和分析
• 會話跟蹤：跨請求關聯和分析

高級分析

• AI 驅動的洞察：智能分析和建議
• 流量模式檢測：自動異常檢測
• 性能優化：AI 驅動的性能建議
• 錯誤分析：智能錯誤分類和解決
• 趨勢分析：歷史性能和使用趨勢

有狀態測試工作流

MockLoop MCP 通過高級上下文管理支持複雜的有狀態測試工作流：

上下文類型

• 測試會話上下文：在測試執行過程中維護狀態
• 工作流上下文：複雜的多步驟測試編排
• 代理上下文：AI 代理狀態管理和協調
• 全局上下文：跨會話數據共享和持久化

示例：有狀態的電子商務測試

# 創建測試會話上下文
session = mockloop.create_test_session_context(
    session_name="ecommerce_integration_test",
    configuration={
        "test_type": "integration",
        "environment": "staging",
        "ai_enhanced": True
    }
)

# 創建用於多步驟測試的工作流上下文
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"
    ]
)

# 執行有狀態的測試工作流
for step in workflow["steps"]:
    # 使用步驟數據更新上下文
    mockloop.update_context_data(
        context_id=workflow["context_id"],
        data={"current_step": step, "timestamp": datetime.now()}
    )
    
    # 執行特定步驟的測試
    test_result = mockloop.execute_test_plan(
        server_url="http://localhost:8000",
        test_plan=f"{step}_test_plan",
        context_id=workflow["context_id"]
    )
    
    # 創建用於回滾的快照
    snapshot = mockloop.create_context_snapshot(
        context_id=workflow["context_id"],
        snapshot_name=f"{step}_completion"
    )

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

運行生成的模擬服務器

使用 Docker Compose（推薦）

# 導航到生成的模擬目錄
cd generated_mocks/your_api_mock

# 使用雙端口架構啟動
docker-compose up --build

# 訪問點：
# 模擬 API：http://localhost:8000
# 管理 UI：http://localhost:8001

直接使用 Uvicorn

# 安裝依賴項
pip install -r requirements_mock.txt

# 啟動模擬服務器
uvicorn main:app --reload --port 8000

增強功能訪問

• 管理 UI：http://localhost:8001 - 增強的管理界面
• API 文檔：http://localhost:8000/docs - 交互式 Swagger UI
• 健康檢查：http://localhost:8000/health - 服務器狀態和指標
• 日誌分析：http://localhost:8001/api/logs/search - 高級日誌查詢
• 性能指標：http://localhost:8001/api/logs/analyze - AI 驅動的洞察
• 場景管理：http://localhost:8001/api/mock-data/scenarios - 動態測試

性能與可擴展性

MockLoop MCP 專為企業級性能而設計：

性能指標

• 響應時間：跟蹤 P50、P95、P99 百分位數
• 吞吐量：監控每秒請求數
• 錯誤率：全面的錯誤分析
• 資源使用：監控內存、CPU 和網絡
• 併發處理：支持多用戶負載測試

可擴展性特性

• 水平擴展：支持多實例部署
• 負載均衡：內置負載均衡功能
• 緩存：智能響應緩存
• 數據庫優化：高效支持 SQLite 和 PostgreSQL
• 容器編排：支持 Kubernetes 和 Docker Swarm

安全特性

內置安全功能

• 身份驗證中間件：可配置的身份驗證機制
• 速率限制：防止濫用和 DoS 攻擊
• 輸入驗證：全面的請求驗證
• 安全標頭：CORS、CSP 等安全標頭
• 審計日誌記錄：完整的安全事件日誌記錄

安全測試

• 漏洞評估：AI 驅動的安全測試
• 滲透測試：自動生成安全場景
• 合規性檢查：驗證安全標準合規性
• 威脅建模：AI 驅動的威脅分析
• 安全報告：全面的安全分析

🔧 技術細節

雙端口架構

MockLoop MCP 引入了革命性的 雙端口架構，消除了常見衝突並增強了安全性：

架構優勢

• 🔒 增強的安全性：模擬 API 和管理功能完全分離
• ⚡ 零衝突：消除 OpenAPI 規範中的 /admin 路徑衝突
• 📊 清晰的分析：管理調用不會出現在模擬 API 指標中
• 🔄 獨立擴展：可分別擴展模擬 API 和管理服務
• 🛡️ 基於端口的訪問控制：通過網絡隔離增強安全性

端口配置

# 生成具有雙端口架構的模擬服務器
result = mockloop.generate_mock_api(
    spec_url_or_path="https://api.example.com/openapi.json",
    business_port=8000,  # 模擬 API 端口
    admin_port=8001,     # 管理 UI 端口
    admin_ui_enabled=True
)

訪問點

• 模擬 API：http://localhost:8000 - 您的 API 端點
• 管理 UI：http://localhost:8001 - 管理界面
• API 文檔：http://localhost:8000/docs - 交互式 Swagger UI
• 健康檢查：http://localhost:8000/health - 服務器狀態

🛣️ 未來開發

即將推出的功能 🚧

增強的 AI 能力

• 高級機器學習模型：用於 API 測試的自定義模型訓練
• 預測分析：AI 驅動的故障預測
• 智能測試生成：自我改進的測試場景
• 自然語言測試：使用純英語描述測試

擴展協議支持

• GraphQL 支持：原生 GraphQL API 測試
• gRPC 集成：支持協議緩衝區測試
• WebSocket 測試：實時通信測試
• 事件驅動測試：異步和基於事件的 API 測試

企業集成

• CI/CD 集成：原生管道集成
• 監控平臺：與 Datadog、New Relic、Prometheus 等監控平臺集成
• 身份提供者：支持 SSO 和企業身份驗證集成
• 合規框架：擴展法規合規性支持

🤝 貢獻

我們歡迎對 MockLoop MCP 的貢獻！請參閱我們的 貢獻指南 瞭解詳細信息。

開發設置

# 分叉並克隆倉庫
git clone https://github.com/your-username/mockloop-mcp.git
cd mockloop-mcp

# 創建開發環境
python3 -m venv .venv
source .venv/bin/activate

# 安裝開發依賴項
pip install -e ".[dev]"

# 運行測試
pytest tests/

# 運行質量檢查
ruff check src/
bandit -r src/

社區

• GitHub 倉庫：mockloop/mockloop-mcp
• 問題與 bug 報告：GitHub 問題
• 功能請求：GitHub 問題
• 文檔：docs.mockloop.com

📄 許可證

MockLoop MCP 根據 MIT 許可證 授權。

🎉 立即開始！

準備好使用全球首個 AI 原生測試平臺徹底改變您的 API 測試了嗎？

pip install mockloop-mcp

加入 AI 原生測試革命，使用 MockLoop MCP 體驗 API 測試的未來！

🚀 立即開始 →