API Testing MCP

一个基于 MCP (Model Context Protocol) 的 API 自动化测试服务器。

提供从 API 规范解析、测试场景生成、测试代码生成、测试数据构造、测试执行到 AI 智能审核的全流程 API 测试能力，可被 Claude Desktop、Cursor、Cline 等任何 MCP 客户端直接调用。

---

功能概览

                         ┌──────────────────────────────────────┐
  OpenAPI 3.x ──┐       │          API Testing MCP             │
  Swagger 2.0 ──┤       │                                      │
  Postman      ──┼──────>│  解析 → 生成场景 → 生成代码/数据     │──────> 可执行测试代码
  HAR          ──┘       │           ↓                          │──────> 测试数据集
                         │       执行测试 → AI 审核 → 自动修复   │──────> 测试报告
                         └──────────────────────────────────────┘

8 个 MCP 工具

#	工具	功能
1	tool_parse_api_spec	解析 API 规范 (OpenAPI 3.x / Swagger 2.0 / Postman / HAR)
2	tool_generate_test_scenarios	生成全面测试场景 (8 大类别，每端点最多 50 个)
3	tool_generate_test_code	生成可执行测试代码 (Python / JavaScript / TypeScript / cURL)
4	tool_generate_test_data	用 11 种策略生成测试数据
5	tool_execute_api_test	执行单个 API 测试并验证响应
6	tool_run_test_suite	批量运行测试套件 (支持并发)
7	tool_ai_review	AI 智能审核 + 自动修复
8	tool_configure	配置 AI 模型提供商 / 查看当前配置

---

快速开始

安装

# 克隆仓库
git clone https://github.com/amyzlp/API-Testing-MCP.git
cd API-Testing-MCP

# 安装 (推荐使用 editable 模式)
pip install -e .

# 如需使用 Anthropic Claude 作为 AI 审核模型
pip install -e ".[anthropic]"

运行

# 启动 MCP 服务器
api-testing-mcp

# 或者
python -m api_testing_mcp.server

在 MCP 客户端中配置

<details> <summary><b>Claude Desktop</b></summary>

编辑 claude_desktop_config.json:

{
  "mcpServers": {
    "api-testing": {
      "command": "api-testing-mcp",
      "env": {
        "DEEPSEEK_API_KEY": "sk-your-key"
      }
    }
  }
}

</details>

<details> <summary><b>Cursor</b></summary>

在 Settings → MCP Servers 中添加:

{
  "api-testing": {
    "command": "api-testing-mcp",
    "env": {
      "DEEPSEEK_API_KEY": "sk-your-key"
    }
  }
}

</details>

<details> <summary><b>Cline (VS Code)</b></summary>

在 Cline MCP 设置中添加:

{
  "mcpServers": {
    "api-testing": {
      "command": "api-testing-mcp",
      "env": {
        "DEEPSEEK_API_KEY": "sk-your-key"
      }
    }
  }
}

</details>

---

工具详解

1. tool_parse_api_spec — 解析 API 规范

支持 4 种格式的 API 规范，解析为统一的结构化数据:

格式	支持版本
OpenAPI	3.0.x, 3.1.x
Swagger	2.0
Postman Collection	v2.x
HAR (HTTP Archive)	1.2

参数:

• spec_content — API 规范的 JSON 或 YAML 字符串

返回: 结构化的 API 信息，包含端点、参数、请求体、响应、安全方案等。

---

2. tool_generate_test_scenarios — 生成测试场景

根据 API 规范自动生成覆盖全面的测试场景:

类别	说明
happy_path	正常流程 — 必填参数、全部参数、示例值
input_validation	输入验证 — 缺少必填字段、类型错误、无效枚举
boundary	边界值 — 最小值/最大值/溢出/空字符串
error_handling	错误处理 — 404 资源不存在、405 方法错误、415 类型错误
security	安全测试 — SQL 注入、XSS、路径穿越、命令注入、SSRF
authentication	认证测试 — 无凭证、无效 Token、过期 Token
edge_case	边缘用例 — 特殊字符、未知参数、Unicode
idempotency	幂等性 — PUT/DELETE 重复请求一致性

参数:

• spec_content — API 规范
• categories — 要生成的类别 (逗号分隔，留空为全部)
• max_per_endpoint — 每端点最大场景数 (默认 50)
• endpoint_filter — 端点路径过滤

---

3. tool_generate_test_code — 生成测试代码

将测试场景转换为可直接运行的测试代码:

语言	框架	运行方式
Python	pytest + requests	pytest test_api.py -v
JavaScript	Node.js + fetch	node test_api.js
TypeScript	vitest + fetch	npx vitest run test_api.ts
cURL	Bash 脚本	bash test_api.sh

参数:

• spec_content — API 规范
• language — 目标语言 (python / javascript / typescript / curl)
• auth_type — 认证类型 (bearer / basic / api_key)
• auth_token — 认证令牌

---

4. tool_generate_test_data — 生成测试数据

用 11 种策略自动生成测试数据集:

策略	说明
valid	有效数据 — 符合类型和约束
boundary	边界值 — 最小/最大/临界值
invalid	无效数据 — 类型错误的值
random	随机数据 — 随机生成
realistic	仿真数据 — 类似真实生产数据
sql_injection	SQL 注入载荷
xss	XSS 攻击载荷
empty	空值 — 空字符串/零/空数组
null	Null 值
overflow	溢出值 — 超大字符串/极限数字
unicode	Unicode — 中日韩文字/Emoji/零宽字符

---

5. tool_execute_api_test — 执行单个测试

发送 HTTP 请求并验证响应:

• 支持所有 HTTP 方法 (GET/POST/PUT/PATCH/DELETE/HEAD/OPTIONS)
• 支持 Bearer / Basic / API Key 认证
• 自动断言: 状态码、响应体内容、响应时间
• 返回完整的请求/响应详情和断言结果

---

6. tool_run_test_suite — 运行测试套件

一键解析规范 → 生成场景 → 批量执行:

• 支持并发请求 (默认 5 并发)
• 按类别/优先级分组统计
• 输出通过率、响应时间、详细断言结果

---

7. tool_ai_review — AI 智能审核

双层审核机制:

┌─────────────────────────────────────────┐
│  第一层: 程序化检查 (始终运行)             │
│  ├── 覆盖率分析 (缺失分类检测)            │
│  ├── 一致性验证 (状态码逻辑检查)           │
│  ├── 安全检测 (凭证泄露/硬编码检查)        │
│  ├── 类型检查 (参数类型匹配验证)           │
│  └── 代码质量 (断言完整性/错误处理)        │
├─────────────────────────────────────────┤
│  第二层: AI 深度审查 (可选，需配置模型)     │
│  ├── 遗漏测试用例识别                     │
│  ├── 不合理参数值检测                     │
│  ├── 冗余/重复场景发现                    │
│  └── 安全测试完整性评估                   │
├─────────────────────────────────────────┤
│  自动修复: 最小化调整                      │
│  ├── 修正不一致的状态码                    │
│  ├── 替换硬编码凭证为环境变量              │
│  ├── 修正类型不匹配的参数                  │
│  └── 替换疑似真实密钥为占位符              │
└─────────────────────────────────────────┘

审核对象:

• scenario — 测试场景
• test_code — 测试代码
• test_data — 测试数据
• parameter — 请求参数

返回: 评分 (0-100)、问题列表、修复建议、自动修复后的内容。

---

8. tool_configure — 配置管理

运行时查看和修改 AI 模型配置:

# 查看当前配置
tool_configure(action="show")

# 列出所有支持的提供商
tool_configure(action="providers")

# 设置提供商
tool_configure(action="set", provider="deepseek", api_key="sk-xxx")

---

AI 模型配置

AI 审核功能支持 17 个模型提供商，涵盖国际模型、国内大模型和本地部署:

支持的提供商

分类	提供商	标识	环境变量	默认模型
国际	OpenAI	openai	OPENAI_API_KEY	gpt-4o
国际	Anthropic	anthropic	ANTHROPIC_API_KEY	claude-sonnet-4-20250514
国内	通义千问/Qwen	qwen	DASHSCOPE_API_KEY	qwen-plus
国内	智谱 AI/GLM	zhipu	ZHIPU_API_KEY	glm-4-plus
国内	DeepSeek	deepseek	DEEPSEEK_API_KEY	deepseek-chat
国内	Moonshot/Kimi	moonshot	MOONSHOT_API_KEY	moonshot-v1-8k
国内	零一万物/Yi	yi	YI_API_KEY	yi-large
国内	百川/Baichuan	baichuan	BAICHUAN_API_KEY	Baichuan4
国内	文心一言/ERNIE	ernie	ERNIE_API_KEY	ernie-4.0-8k
国内	豆包/Doubao	doubao	DOUBAO_API_KEY	doubao-pro-32k
国内	MiniMax	minimax	MINIMAX_API_KEY	abab6.5s-chat
国内	阶跃星辰	stepfun	STEPFUN_API_KEY	step-2-16k
本地	Ollama	ollama	不需要	llama3.1
本地	LM Studio	lmstudio	不需要	local-model
本地	vLLM	vllm	不需要	default
本地	LocalAI	localai	不需要	gpt-4
本地	llama.cpp	llamacpp	不需要	default

所有国内模型均通过 OpenAI 兼容 API 接入，无需额外适配。

配置方式

方式一: 环境变量 (推荐)

只需设置一个提供商的 API Key，系统自动识别:

# 使用 DeepSeek (推荐，性价比高)
export DEEPSEEK_API_KEY=sk-xxx

# 使用通义千问
export DASHSCOPE_API_KEY=sk-xxx

# 使用 OpenAI
export OPENAI_API_KEY=sk-xxx

如需指定模型:

export AI_PROVIDER=deepseek
export AI_MODEL=deepseek-chat
export DEEPSEEK_API_KEY=sk-xxx

方式二: 本地模型 (不需要 API Key)

# Ollama
export AI_PROVIDER=ollama
export AI_MODEL=qwen2.5    # 或 llama3.1, deepseek-v2, etc.

# LM Studio
export AI_PROVIDER=lmstudio

# vLLM
export AI_PROVIDER=vllm
export AI_BASE_URL=http://localhost:8000/v1

方式三: .env 文件

cp .env.example .env
# 编辑 .env 填入配置

方式四: MCP 客户端配置

在 Claude Desktop / Cursor 的 MCP 配置中直接传入:

{
  "mcpServers": {
    "api-testing": {
      "command": "api-testing-mcp",
      "env": {
        "AI_PROVIDER": "deepseek",
        "DEEPSEEK_API_KEY": "sk-xxx"
      }
    }
  }
}

方式五: 运行时动态配置

通过 tool_configure 工具在对话中直接设置:

tool_configure(action="set", provider="qwen", api_key="sk-xxx")

注意: 不配置 AI 模型不影响使用。AI 审核为可选功能，未配置时 tool_ai_review 仍会执行程序化检查并返回结果。

---

项目结构

API-Testing-MCP/
├── pyproject.toml                  # 项目配置与依赖
├── .env.example                    # 环境变量配置模板
└── src/api_testing_mcp/
    ├── server.py                   # MCP 服务器入口 (8 个工具注册)
    ├── types.py                    # Pydantic 数据模型 (20+ 类型定义)
    ├── utils.py                    # 工具函数 (值生成/边界计算/安全载荷)
    ├── llm_client.py               # LLM 统一调用层 (17 提供商适配)
    └── tools/
        ├── parse_spec.py           # API 规范解析 (4 种格式)
        ├── generate_scenarios.py   # 测试场景生成 (8 大类别)
        ├── generate_code.py        # 测试代码生成 (4 种语言)
        ├── generate_data.py        # 测试数据生成 (11 种策略)
        ├── execute_test.py         # 测试执行引擎 (异步并发)
        └── review.py               # AI 审核层 (双层检查 + 自动修复)

---

使用示例

示例 1: 从 OpenAPI 规范生成完整测试

用户: 解析这个 API 规范，生成测试场景和 Python 测试代码

→ tool_parse_api_spec(spec_content=<OpenAPI YAML>)
→ tool_generate_test_scenarios(spec_content=<spec>, categories="happy_path,security")
→ tool_generate_test_code(spec_content=<spec>, language="python", auth_type="bearer")
→ tool_ai_review(target_type="test_code", content=<生成的代码>)

示例 2: 生成安全测试数据

用户: 给 /api/users POST 端点生成 SQL 注入和 XSS 测试数据

→ tool_generate_test_data(spec_content=<spec>, strategies="sql_injection,xss", endpoint_filter="/users")
→ tool_ai_review(target_type="test_data", content=<生成的数据>)

示例 3: 直接测试一个 API

用户: 测试一下 https://httpbin.org/get 返回 200

→ tool_execute_api_test(url="https://httpbin.org/get", method="GET", expected_status=200)

示例 4: 运行完整测试套件

用户: 对这个 API 规范运行完整测试

→ tool_run_test_suite(spec_content=<spec>, categories="happy_path,error_handling,security")

---

技术栈

组件	技术选型
MCP 框架	FastMCP
数据模型	Pydantic v2
HTTP 客户端	httpx (异步)
YAML 解析	PyYAML
LLM 调用	OpenAI SDK (兼容协议) + Anthropic SDK (可选)
Python 版本	>= 3.10

---

开发

# 克隆并安装开发环境
git clone https://github.com/amyzlp/API-Testing-MCP.git
cd API-Testing-MCP
pip install -e ".[all]"

# 运行服务器
api-testing-mcp

# 直接测试模块
python -c "
from api_testing_mcp.tools.parse_spec import parse_api_spec
from api_testing_mcp.tools.generate_scenarios import generate_test_scenarios
import json

spec = parse_api_spec(json.dumps({
    'openapi': '3.0.0',
    'info': {'title': 'Demo', 'version': '1.0'},
    'paths': {'/users': {'get': {'responses': {'200': {'description': 'ok'}}}}}
}))
scenarios = generate_test_scenarios(spec)
print(f'生成了 {len(scenarios)} 个测试场景')
"

---

许可证

MIT