写接口、做前端、跑联调,最卡人的往往不是业务逻辑,而是「数据还没准备好」。真实数据涉敏、下游服务没上线、边界场景手动造不全——Mock 数据因此成了开发流程里高频又琐碎的一环。 AI 擅长把字段定义翻译成一批结构正确、分布合理的假数据,但默认产出常常踩坑:中文姓名里混着乱码、日期格式不统一、关联字段对不上、边界值全缺。本文给出用 AI 生成 Mock 测试数据的完整流程:怎么把数据契约说清楚、怎么约束它产出可用数据、哪些场景必须自己补。这套方法和 用 AI 生成 API 文档 是同一条链路上的两步——接口定义清楚了,假数据才有依据。
先给 AI 一份数据契约,而不是一句「造点数据」
直接说「帮我造 10 条用户数据」,AI 会给一份看起来对、实际没法用的东西:字段名凭空发挥、类型对不上、枚举值乱填。高质量产出的前提是先把数据契约喂给它——字段名、类型、是否必填、取值范围、枚举列表、字段间的关联关系。最省事的契约来源就是现成的 AI 辅助数据建模 产物或接口 Schema:把 JSON Schema 、 TypeScript interface 、数据库建表语句直接贴给 AI,让它照着生成,比手写描述准得多。契约里要特别标出三类字段:枚举(状态只能是某几个固定值)、格式(日期要 ISO 8601 、手机号要 11 位)、关联(订单的 user_id 必须来自用户列表)。这三类是假数据「看着对、跑起来错」的主要来源。
让数据分布像真的,而不只是随机
随机字符串填满字段是最没用的 Mock——它测不出任何真实问题。有价值的假数据要模拟真实分布:姓名用中文常见姓+名、邮箱和用户名的人设一致、金额集中在某个区间但保留少量极值、时间按业务高峰分布。可以在提示词里明确要求「姓名用真实中文姓名、不要字母数字」「状态字段 70% 是正常、 20% 是处理中、 10% 是失败」「金额保留几笔 0 元和一笔超大值」。对需要关联的多张表,要求 AI 先生成主表再生成从表,并明确外键从主表 id 里取值。想进一步验证生成质量,可以把这批数据喂给 AI 代码审查清单 里的数据校验思路做一遍自检,看格式和约束是否真的成立。
边界值和脏数据:Mock 的真正价值所在
Mock 数据最大的用途不是填充正常流程,而是覆盖那些线上偶发、手动难造的边界场景。要求 AI 在批次里刻意塞入:空字符串、 null 、超长文本、特殊字符、时区跨天的日期、负数金额、重复值。这些数据专门用来打前端的容错和后端校验——正常数据人人都测,边界数据才是 Bug 高发区。生成时把这些异常样本单独标出来(比如加一个 _case 注释字段说明用途),方便联调时定位。注意别让 AI 把边界值平均散落在所有字段,那会让整批数据都不可用;正确做法是正常数据为主、异常数据成组出现,每组对应一个明确的测试目的。
- 提供契约:把 JSON Schema 、建表语句或 interface 贴给 AI,明确字段名、类型、必填、取值范围和关联关系。
- 约束格式:指定枚举值、日期格式、手机号位数等硬规则,要求姓名邮箱符合真实习惯,杜绝随机乱码。
- 模拟分布:给出比例要求,让正常值占多数、保留少量极值,多表数据按主键外键关联生成。
- 注入边界:成组塞入空值、超长文本、特殊字符、跨时区日期等异常样本,并标注每组用途。
- 校验产出:用脚本或数据校验工具核对格式与约束,确认无误后再接入联调环境。
从一次性产出到可复用的数据工厂
让 AI 每次临时造数据,效率提升有限;把提示词固化成脚本模板,才是杠杆所在。做法是把数据契约、分布规则、边界样本清单写成一份可复用的提示词模板,配合一个固定随机种子生成脚本——需要数据时改个数量就能批量产出,且结果可复现。团队里把这份模板和接口定义放一起维护,接口字段一变,Mock 规则同步更新。更进一步,可以把生成结果接入自动化测试:每次跑测试前重新生成一批带边界值的数据,等于用低成本持续压测数据校验逻辑。这和 AI 辅助调试生成代码 是互补的——一个负责造出问题数据,一个负责定位修复。
哪些数据不能交给 AI 造
有三类数据别指望 AI:一是需要密码学安全性的数据(密钥、令牌、随机盐),必须用正规的随机数生成器;二是涉及真实个人信息的数据,AI 编造的假身份一旦和真实用户撞上会有合规风险,测试环境应使用专门脱敏的样本库;三是有严格业务不变量的财务、账务数据,金额借贷必须守恒、流水必须连续,这类约束靠提示词很难保证,得用专门的数据生成规则或脚本算出来。 AI 的强项是快速产出「足够像真的、用于验证流程」的数据,而不是生成需要精确保证的权威数据。分清楚这个边界,才不会在联调时被一份似是而非的数据误导。
常见问题
直接把表结构贴给 AI 就能生成可用数据吗?
AI 生成的假数据为什么跑联调总报错?
Mock 数据要不要故意造错的?
能让 AI 造生产环境用的数据吗?








评论 (0)