使用trae工具准备mock数据有四种方法：一、用内置模板生成器按json schema自动生成并编辑边界值；二、用自然语言指令驱动ai生成语义一致的结构化mock；三、从.har或csv日志提取真实流量并泛化为可复用mock；四、集成mockoon等外部服务动态部署并验证响应。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您使用Trae工具为AI生成的单元测试准备Mock数据，则需要明确指定目标函数的行为边界与输入输出约束。以下是实现此目标的多种方法：
一、利用Trae内置的Mock数据模板生成器
该方法通过Trae预置的JSON Schema模板快速构造符合函数签名的模拟输入与预期输出。模板引擎会根据函数参数类型自动填充合理值，并支持自定义字段规则。
1、在Trae界面中打开目标测试文件，点击右上角“Generate Mock”按钮。
2、在弹出面板中选择待测函数，确认其参数列表与返回类型已正确识别。
3、勾选“Use schema-aware mock”，然后点击“Apply Template”生成初始Mock对象。
4、手动编辑生成的JSON片段，在mockData字段中将字符串字段替换为非空有效值，数值字段设为边界值（如0、-1、最大整数）。
二、基于自然语言指令驱动AI生成定制Mock
此方法允许用户以描述性语句说明业务场景，Trae的嵌入式AI模型据此推导出语义一致的Mock数据结构，尤其适用于含复杂嵌套对象或状态流转逻辑的函数。
1、在Trae的Mock配置区切换至“NL Prompt”模式。
2、输入类似“生成一个用户登录失败的Mock响应：status为401，body包含message字段且值为'Invalid credentials'，headers中包含X-RateLimit-Remaining为3”。
3、点击“Generate with AI”，等待模型返回结构化JSON。
4、检查返回结果中所有字段名与原始接口文档完全一致，且无额外未声明字段。
三、从真实调用日志中提取并泛化Mock样本
该方法从已有生产或测试环境HTTP日志中抽取实际请求/响应对，经Trae脱敏与变量标记后转化为可复用的Mock数据集，确保覆盖真实流量分布特征。
1、在Trae中导入包含HTTP交互记录的.har文件或CSV日志。
2、选中目标API端点，点击“Extract as Mock”启动样本提取流程。
3、在映射界面中为每个请求参数和响应字段标注是否需泛化（如将具体用户ID替换为${uuid}）。
4、保存时启用“Preserve status code and content-type headers”，确保HTTP状态码、Content-Type及关键响应头被原样保留。
四、集成外部Mock服务动态注入数据
此方法将Trae与Mockoon、WireMock等本地Mock服务联动，由Trae生成配置文件并触发服务启动，使单元测试运行时直接调用真实Mock端点。
1、在Trae设置中启用“External Mock Integration”，填写本地Mock服务监听地址（如http://localhost:3001）。
2、为待测函数配置路由路径、HTTP方法及匹配规则（如query参数user_id存在且为数字）。
3、在响应体编辑区粘贴AI生成的JSON示例，点击“Deploy to Mock Server”。
4、确认Trae控制台显示Mock服务返回HTTP 200且响应体与预期JSON结构深度匹配。
