MockLoop MCP - AI-Native Testing Platform

注意：このプロジェクトの疑わしいコピーがGithubなどに出回るのを防ぐため、SchemaPinを完全に実装しました。このリポジトリのリリースを使用していることを必ず確認し、SchemaPinを使って当社のツールスキーマを検証してください：https://mockloop.com/.well-known/schemapin.json

MockLoop MCP - AIネイティブテストプラットフォーム

Model Context Protocol（MCP）を活用した、世界初のAIネイティブAPIテストプラットフォームです。MockLoop MCPは、包括的なAI駆動のシナリオ生成、自動テスト実行、インテリジェントな分析機能によって、APIテストに革新をもたらします。

🚀 革新的な機能： AI プロンプト 5 件 • シナリオリソース 15 件 • テストツール 16 件 • コンテキストツール 10 件 • コアツール 4 件 • MCP 完全統合

📚 ドキュメント： https://docs.mockloop.com
📦 PyPI パッケージ： https://pypi.org/project/mockloop-mcp/
🐙 GitHub リポジトリ： https://github.com/mockloop/mockloop-mcp

🌟 MockLoop MCPが革新的な理由

MockLoop MCPは、APIテストにパラダイムシフトをもたらし、次の要素を組み合わせた世界初のAIネイティブテストアーキテクチャを導入します。

• 🤖 AI駆動のテスト生成：インテリジェントなシナリオ作成を実現する、特化型MCPプロンプト 5 件
• 📦 コミュニティシナリオパック：コミュニティアーキテクチャを備えた、厳選されたテストリソース 15 件
• ⚡ 自動テスト実行：テストワークフロー全体に対応する、包括的なMCPツール 30 件（テスト 16 件＋コンテキスト 10 件＋コア 4 件）
• 🔄 ステートフルテスト：GlobalContextとAgentContextによる高度なコンテキスト管理
• 📊 エンタープライズコンプライアンス：完全な監査ログと規制コンプライアンスの追跡
• 🏗️ デュアルポートアーキテクチャ：モックAPIポートと管理ポートを分離し、/adminパスの競合を解消

🎯 AIネイティブなコアアーキテクチャ

MCP監査ログ

エンタープライズ水準のコンプライアンスと規制の追跡

• リクエスト／レスポンスの完全な監査証跡
• 規制コンプライアンスの監視
• パフォーマンス指標と分析
• セキュリティイベントのログ記録

MCPプロンプト（AI駆動の機能 5 件）

AIを活用したインテリジェントなシナリオ生成

• analyze_openapi_for_testing - テスト戦略のための包括的なAPI分析
• generate_scenario_config - 動的なテストシナリオ設定
• optimize_scenario_for_load - 負荷テストの最適化
• generate_error_scenarios - エラー条件のシミュレーション
• generate_security_test_scenarios - セキュリティ脆弱性のテスト

MCP リソース（15 のシナリオパック）

高度なアーキテクチャを備えた、コミュニティ主導のテストシナリオ

• 負荷テストシナリオ：大量のトラフィックをシミュレーション
• エラーシミュレーションパック：包括的なエラー条件テスト
• セキュリティテストスイート：脆弱性評価シナリオ
• パフォーマンスベンチマーク：標準化されたパフォーマンステスト
• 統合テストパック：サービス間のテストシナリオ
• コミュニティアーキテクチャ：シナリオの共同共有と検証

MCP ツール（16 の自動テストツール）

自動テストを完全に実行する機能

シナリオ管理（4 ツール）

• validate_scenario_config - シナリオの検証と確認
• deploy_scenario - シナリオの自動デプロイ
• switch_scenario - シナリオの動的な切り替え
• list_active_scenarios - アクティブなシナリオの監視

テスト実行（4 ツール）

• execute_test_plan - テスト計画を包括的に実行
• run_test_iteration - 個々のテスト反復を管理
• run_load_test - 負荷テストを実行
• run_security_test - セキュリティテストを自動化

分析とレポート（4 ツール）

• analyze_test_results - テスト結果をインテリジェントに分析
• generate_test_report - 包括的なレポートを作成
• compare_test_runs - テスト実行の比較と傾向分析
• get_performance_metrics - パフォーマンス指標を収集

ワークフロー管理（4 ツール）

• create_test_session - テストセッションを初期化
• end_test_session - セッションをクリーンアップして終了
• schedule_test_suite - テストを自動でスケジュール
• monitor_test_progress - 進捗をリアルタイムで監視

MCP コンテキスト管理（10 のステートフルなワークフローツール）

複雑なテストワークフローに対応する高度な状態管理

コンテキストの作成と管理

• create_test_session_context - テストセッションの状態を管理
• create_workflow_context - 複雑なワークフローをオーケストレーション
• create_agent_context - AI エージェントの状態を管理

データ管理

• get_context_data - コンテキストデータの取得
• update_context_data - コンテキストの動的な更新
• list_contexts_by_type - コンテキストの検出と一覧表示

スナップショットと復元

• create_context_snapshot - 状態のスナップショット作成
• restore_context_snapshot - 状態をロールバックする機能

グローバルコンテキスト

• get_global_context_data - セッションをまたいだデータ共有
• update_global_context_data - グローバル状態の管理

🚀 クイックスタート

世界最先端の AI ネイティブなテストプラットフォームを使い始めましょう：

# 1. Install MockLoop MCP
pip install mockloop-mcp

# 2. Verify installation
mockloop-mcp --version

# 3. Configure with your MCP client (Cline, Claude Desktop, etc.)
# See configuration examples below

📋 前提条件

• Python 3.10+
• Pip パッケージマネージャー
• Docker と Docker Compose（コンテナ化されたモックサーバー用）
• MCP 対応クライアント（Cline、Claude Desktop など）

🔧 インストール

オプション 1：PyPI からインストール（推奨）

# Install the latest stable version
pip install mockloop-mcp

# Or install with optional dependencies
pip install mockloop-mcp[dev]   # Development tools
pip install mockloop-mcp[docs]  # Documentation tools
pip install mockloop-mcp[all]   # All optional dependencies

# Verify installation
mockloop-mcp --version

オプション 2：開発用インストール

# Clone the repository
git clone https://github.com/mockloop/mockloop-mcp.git
cd mockloop-mcp

# Create and activate virtual environment
python3 -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

# Install in development mode
pip install -e ".[dev]"

⚙️ 設定

MCP クライアントの設定

Cline（VS Code 拡張機能）

Cline の MCP 設定ファイルに追加します：

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

Claude Desktop

Claude Desktop の設定に追加します：

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

仮想環境へのインストール

仮想環境にインストールする場合は、Python のフルパスを使用します：

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

🛠️ 利用可能な MCP ツール

コアのモック生成

generate_mock_api

デュアルポートアーキテクチャを採用した、高機能な FastAPI モックサーバーを生成します。

パラメーター：

• spec_url_or_path（string、必須）：API 仕様の URL またはローカルファイルパス
• output_dir_name（string、任意）：出力ディレクトリ名
• auth_enabled（boolean、任意）：認証ミドルウェアを有効にします（デフォルト：true）
• webhooks_enabled（boolean、任意）：Webhook サポートを有効にします（デフォルト：true）
• admin_ui_enabled（boolean、任意）：管理 UI を有効にします（デフォルト：true）
• storage_enabled（boolean、任意）：ストレージ機能を有効にします（デフォルト：true）

革新的なデュアルポートアーキテクチャ：

• モック API ポート：API エンドポイントを提供します（デフォルト：8000）
• 管理 UI ポート：独立した管理インターフェースです（デフォルト：8001）
• 競合の解決：OpenAPI 仕様での /admin パスの競合を解消します
• セキュリティの強化：ポートベースのアクセス制御と分離を実現します

高度な分析

query_mock_logs

AI を活用した分析情報を使って、リクエストログを検索・分析します。

パラメーター：

• server_url（string、必須）：モックサーバーの URL
• limit（integer、任意）：返すログの最大数（デフォルト：100）
• offset（integer、任意）：ページネーションのオフセット（デフォルト：0）
• method（string、任意）：HTTP メソッドによる絞り込み
• path_pattern（string、任意）：パス絞り込み用の正規表現パターン
• time_from（string、任意）：開始時刻による絞り込み（ISO 形式）
• time_to（string、任意）：終了時刻による絞り込み（ISO 形式）
• include_admin（boolean、任意）：管理リクエストを含めます（デフォルト：false）
• analyze（boolean、任意）：AI 分析を実行します（デフォルト：true）

AI を活用した分析：

• パフォーマンス指標（P95/P99 応答時間）
• エラー率の分析と分類
• トラフィックパターンの検出
• デバッグに関する推奨事項の自動生成
• セッションの関連付けと追跡

discover_mock_servers

デュアルポートアーキテクチャのサポートを備えた、インテリジェントなサーバー検出機能です。

パラメーター:

• ports (array, optional): スキャンするポート（デフォルト: 一般的なポート）
• check_health (boolean, optional): ヘルスチェックを実行するかどうか（デフォルト: true）
• include_generated (boolean, optional): 生成されたモックを含めるかどうか（デフォルト: true）

高度な検出機能:

• アーキテクチャの自動検出（シングルポートとデュアルポート）
• ヘルスステータスの監視
• サーバーの関連付けと照合
• ポート使用状況の分析

manage_mock_data

サーバーを再起動せずに、レスポンスを動的に管理します。

パラメーター:

• server_url (string, required): モックサーバーの URL
• operation (string, required): 操作の種類（"update_response"、"create_scenario"、"switch_scenario"、"list_scenarios"）
• endpoint_path (string, optional): API エンドポイントのパス
• response_data (object, optional): 新しいレスポンスデータ
• scenario_name (string, optional): シナリオ名
• scenario_config (object, optional): シナリオの設定

動的な機能:

• リアルタイムのレスポンス更新
• シナリオベースのテスト
• 実行時の設定管理
• ダウンタイムなしの変更

🌐 MCP プロキシ機能

MockLoop MCP には画期的なプロキシ機能が含まれており、モック環境とライブ API 環境をシームレスに切り替えられます。この強力な機能により、次のようなメリットが得られ、テストのワークフローが変わります。

プロキシの主な機能

• 🔄 シームレスなモード切り替え: コードを変更せずに、モック、プロキシ、ハイブリッドの各モードを切り替えます
• 🎯 インテリジェントなルーティング: 設定可能なルールと条件に基づいて、リクエストをスマートにルーティングします
• 🔐 汎用認証: API キー、ベアラートークン、Basic 認証、OAuth2 をサポートします
• 📊 レスポンス比較: モックとライブ API のレスポンスを自動的に比較します
• ⚡ ダウンタイムなしの切り替え: サービスを中断せずにモードを動的に変更します

動作モード

モックモード（MOCK）

• すべてのリクエストを生成されたモックレスポンスで処理します
• 予測可能で一貫性のあるテスト環境です
• 開発の初期段階や、分離されたテストに最適です
• 外部依存関係やネットワーク呼び出しはありません

プロキシモード（PROXY）

• すべてのリクエストをライブ API エンドポイントに転送します
• リアルタイムのデータと実際のレスポンスを利用できます
• 完全な統合テストが可能です
• ライブ認証情報を使った、ネットワーク依存の動作です

ハイブリッドモード（HYBRID）

• ルールに基づいて、モックとプロキシの間でインテリジェントにルーティングします
• リクエストパターン、ヘッダー、パラメーターに基づいて条件付きで切り替えます
• モック環境からライブ環境へ段階的に移行できます
• A/B テストや、特定のエンドポイントのみのプロキシが可能です

クイックスタートの例

from mockloop_mcp.mcp_tools import create_mcp_plugin

# Create a proxy-enabled plugin
plugin_result = await create_mcp_plugin(
    spec_url_or_path="https://api.example.com/openapi.json",
    mode="hybrid",  # Start with hybrid mode
    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",  # Critical endpoints use live API
            "priority": 10
        },
        {
            "pattern": "/api/dev/*",
            "mode": "mock",   # Development endpoints use mocks
            "priority": 5
        }
    ]
)

高度な機能

• 🔍 レスポンス検証: 一貫性を確認するため、モックとライブのレスポンスを比較します
• 📈 パフォーマンス監視: 各モードのレスポンスタイムとスループットを追跡します
• 🛡️ エラー処理: フォールバック機構と再試行ポリシーを適用します
• 🎛️ 動的な設定: 実行時のモード切り替えとルール更新が可能です
• 📋 監査ログ: すべてのモードでリクエストとレスポンスを完全に追跡します

認証のサポート

プロキシシステムは、幅広い認証方式をサポートしています。

• API キー: ヘッダー、クエリパラメーター、または Cookie による認証
• ベアラートークン: OAuth2 と JWT トークンをサポート
• Basic 認証: ユーザー名とパスワードの組み合わせ
• OAuth2: トークンの更新を含む OAuth2 フロー全体
• カスタム: 独自の認証方式に対応する拡張可能な認証ハンドラー

ユースケース

• 開発ワークフロー: モックから始めて、ライブ API を段階的に導入します
• 統合テスト: テストの分離を保ちながら、実際のサービスに対して検証します
• パフォーマンステスト: モックとライブ API のパフォーマンス特性を比較します
• ステージング検証: モックレスポンスが本番 API の動作と一致することを確認します
• ハイブリッドデプロイ: 重要な処理をライブ API に、それ以外をモックにルーティングします

📚 完全ガイド: 詳細な設定、例、ベストプラクティスについては、MCP プロキシガイドを参照してください。

🤖 AI フレームワークとの統合

MockLoop MCP は、人気の AI フレームワークとネイティブに統合できます。

LangGraph との統合

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

# Initialize MockLoop client
mockloop = MockLoopClient()

def setup_ai_testing(state):
    """AI-driven test setup"""
    # Generate mock API with AI analysis
    result = mockloop.generate_mock_api(
        spec_url_or_path="https://api.example.com/openapi.json",
        output_dir_name="ai_test_environment"
    )
    
    # Use AI prompts for scenario generation
    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):
    """Execute AI-generated test scenarios"""
    # Deploy AI-generated scenarios
    for scenario in state["test_scenarios"]:
        mockloop.deploy_scenario(
            server_url=state["mock_server_url"],
            scenario_config=scenario
        )
        
        # Execute load tests with AI optimization
        results = mockloop.run_load_test(
            server_url=state["mock_server_url"],
            scenario_name=scenario["name"],
            duration=300,
            concurrent_users=100
        )
        
        # AI-powered result analysis
        analysis = mockloop.analyze_test_results(
            test_results=results,
            include_recommendations=True
        )
        
        state["test_results"].append(analysis)
    
    return state

# Build AI-native testing workflow
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 のマルチエージェントテスト

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

# Initialize MockLoop client
mockloop = MockLoopClient()

# AI Testing Specialist Agent
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
    ]
)

# Performance Analysis Agent
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
    ]
)

# Security Testing Agent
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
    ]
)

# Define AI-driven tasks
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'
)

# Create AI testing crew
ai_testing_crew = Crew(
    agents=[api_testing_agent, performance_agent, security_agent],
    tasks=[ai_setup_task, performance_task, security_task],
    verbose=True
)

# Execute AI-native testing workflow
results = ai_testing_crew.kickoff()

LangChain の AI テストツール

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

# Initialize MockLoop client
mockloop = MockLoopClient()

# AI-Native Testing Tools
def ai_generate_mock_api(spec_path: str) -> str:
    """Generate AI-enhanced mock API with intelligent scenarios"""
    # Generate mock API
    result = mockloop.generate_mock_api(spec_url_or_path=spec_path)
    
    # Use AI to analyze and enhance
    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"""
    # Create test session context
    session = mockloop.create_test_session_context(
        session_name="ai_testing_session",
        configuration={"ai_enhanced": True}
    )
    
    # Generate and deploy AI scenarios
    scenarios = mockloop.generate_scenario_config(
        api_spec=server_url,
        scenario_types=["load", "error", "security"],
        ai_optimization=True
    )
    
    results = []
    for scenario in scenarios:
        # Deploy scenario
        mockloop.deploy_scenario(
            server_url=server_url,
            scenario_config=scenario
        )
        
        # Execute tests with AI monitoring
        test_result = mockloop.execute_test_plan(
            server_url=server_url,
            test_plan=scenario["test_plan"],
            ai_monitoring=True
        )
        
        results.append(test_result)
    
    # AI-powered analysis
    analysis = mockloop.analyze_test_results(
        test_results=results,
        include_recommendations=True,
        ai_insights=True
    )
    
    return f"AI testing workflow completed: {analysis['summary']}"

# Create LangChain tools
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"
    )
]

# Create AI testing agent
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)

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

🏗️ デュアルポートアーキテクチャ

MockLoop MCP は、よくある競合を解消し、セキュリティを強化する画期的な デュアルポートアーキテクチャ を導入しています。

アーキテクチャのメリット

• 🔒 セキュリティの強化：モック API と管理機能を完全に分離します
• ⚡ 競合ゼロ：OpenAPI 仕様における /admin パスの競合を解消します
• 📊 クリーンな分析情報：管理機能への呼び出しがモック API のメトリクスに表示されません
• 🔄 独立したスケーリング：モック API と管理サービスを個別にスケーリングできます
• 🛡️ ポートベースのアクセス制御：ネットワーク分離によりセキュリティを強化します

ポートの設定

# Generate mock with dual-port architecture
result = mockloop.generate_mock_api(
    spec_url_or_path="https://api.example.com/openapi.json",
    business_port=8000,  # Mocked API port
    admin_port=8001,     # Admin UI port
    admin_ui_enabled=True
)

アクセスポイント

• モック API：http://localhost:8000 - API エンドポイント
• 管理 UI：http://localhost:8001 - 管理インターフェース
• API ドキュメント：http://localhost:8000/docs - 対話型 Swagger UI
• ヘルスチェック：http://localhost:8000/health - サーバーの状態

📊 エンタープライズ機能

コンプライアンスと監査ログ

MockLoop MCP は、エンタープライズレベルのコンプライアンス機能を提供します。

• 完全な監査証跡：すべてのリクエストとレスポンスがメタデータとともに記録されます
• 規制コンプライアンス：GDPR、SOX、HIPAA への準拠をサポートします
• パフォーマンス指標：P95/P99 の応答時間、エラー率
• セキュリティ監視：脅威の検出と分析
• セッション追跡：リクエストをまたいだ相関分析

高度な分析

• AI を活用したインサイト：インテリジェントな分析と推奨事項
• トラフィックパターンの検出：異常を自動検出します
• パフォーマンスの最適化：AI によるパフォーマンスの推奨事項
• エラー分析：エラーをインテリジェントに分類し、解決します
• 傾向分析：過去のパフォーマンスと使用状況の傾向

🔄 ステートフルなテストワークフロー

MockLoop MCP は、高度なコンテキスト管理により、複雑でステートフルなテストワークフローをサポートします。

コンテキストの種類

• テストセッションコンテキスト：テストの実行間で状態を維持します
• ワークフローコンテキスト：複雑な複数ステップのテストオーケストレーション
• エージェントコンテキスト：AI エージェントの状態管理と調整
• グローバルコンテキスト：セッションをまたいだデータの共有と永続化

例：ステートフルな E コマーステスト

# Create test session context
session = mockloop.create_test_session_context(
    session_name="ecommerce_integration_test",
    configuration={
        "test_type": "integration",
        "environment": "staging",
        "ai_enhanced": True
    }
)

# Create workflow context for multi-step testing
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"
    ]
)

# Execute stateful test workflow
for step in workflow["steps"]:
    # Update context with step data
    mockloop.update_context_data(
        context_id=workflow["context_id"],
        data={"current_step": step, "timestamp": datetime.now()}
    )
    
    # Execute step-specific tests
    test_result = mockloop.execute_test_plan(
        server_url="http://localhost:8000",
        test_plan=f"{step}_test_plan",
        context_id=workflow["context_id"]
    )
    
    # Create snapshot for rollback capability
    snapshot = mockloop.create_context_snapshot(
        context_id=workflow["context_id"],
        snapshot_name=f"{step}_completion"
    )

# Analyze complete workflow results
final_analysis = mockloop.analyze_test_results(
    test_results=workflow["results"],
    context_id=workflow["context_id"],
    include_recommendations=True
)

🚀 生成されたモックサーバーの実行

Docker Compose を使用する（推奨）

# Navigate to generated mock directory
cd generated_mocks/your_api_mock

# Start with dual-port architecture
docker-compose up --build

# Access points:
# Mocked API: http://localhost:8000
# Admin UI: http://localhost:8001

Uvicorn を直接使用する

# Install dependencies
pip install -r requirements_mock.txt

# Start the mock server
uvicorn main:app --reload --port 8000

拡張機能へのアクセス

• 管理 UI：http://localhost:8001 - 拡張管理インターフェース
• API ドキュメント：http://localhost:8000/docs - 対話型 Swagger UI
• ヘルスチェック：http://localhost:8000/health - サーバーの状態とメトリクス
• ログ分析：http://localhost:8001/api/logs/search - 高度なログ検索
• パフォーマンス指標：http://localhost:8001/api/logs/analyze - AI を活用したインサイト
• シナリオ管理：http://localhost:8001/api/mock-data/scenarios - 動的テスト

📈 パフォーマンスとスケーラビリティ

MockLoop MCP は、エンタープライズ規模のパフォーマンスを実現するように設計されています。

パフォーマンス指標

• 応答時間：P50、P95、P99 パーセンタイルの追跡
• スループット：1 秒あたりのリクエスト数を監視
• エラー率：包括的なエラー分析
• リソース使用量：メモリ、CPU、ネットワークの監視
• 同時実行性：複数ユーザーによる負荷テストをサポート

スケーラビリティ機能

• 水平スケーリング：複数インスタンスでのデプロイをサポート
• ロードバランシング：ロードバランシング機能を内蔵
• キャッシュ：インテリジェントなレスポンスキャッシュ
• データベースの最適化：SQLite と PostgreSQL を効率的にサポート
• コンテナオーケストレーション：Kubernetes と Docker Swarm に対応

🔒 セキュリティ機能

組み込みセキュリティ

• 認証ミドルウェア：設定可能な認証メカニズム
• レート制限：不正利用やDoS攻撃を防止します
• 入力検証：包括的なリクエスト検証
• セキュリティヘッダー：CORS、CSP、その他のセキュリティヘッダー
• 監査ログ：セキュリティイベントをすべて記録します

セキュリティテスト

• 脆弱性評価：AIを活用したセキュリティテスト
• 侵入テスト：セキュリティシナリオを自動生成します
• コンプライアンスチェック：セキュリティ標準への準拠を確認します
• 脅威モデリング：AI主導の脅威分析
• セキュリティレポート：包括的なセキュリティ分析

🔐 SchemaPin 統合 — 暗号学的スキーマ検証

MockLoop MCP に SchemaPin 統合 が追加されました。MCP ツール向けとして業界初の暗号学的スキーマ検証システムであり、ECDSA 署名検証と Trust-On-First-Use（TOFU）鍵ピンニングによって「MCP Rug Pull」攻撃を防ぎます。

革新的なセキュリティ強化

SchemaPin 統合により、以下の機能が提供され、MockLoop MCP は最もセキュアな MCP テストプラットフォームになります。

• 🔐 暗号学的検証：ECDSA P-256 署名によってスキーマの完全性を保証します
• 🔑 TOFU 鍵ピンニング：信頼できるドメインの鍵を自動的に検出し、ピンニングします
• 📋 ポリシー適用：設定可能なセキュリティポリシー（enforce/warn/log モード）
• 📊 包括的な監査：コンプライアンス対応のために検証ログをすべて記録します
• 🔄 柔軟なフォールバック：SchemaPin ライブラリの有無にかかわらず動作します
• 🏗️ ハイブリッドアーキテクチャ：既存の MockLoop システムとシームレスに統合します

クイックスタート設定

from mockloop_mcp.schemapin import SchemaPinConfig, SchemaVerificationInterceptor

# Basic configuration
config = SchemaPinConfig(
    enabled=True,
    policy_mode="warn",  # enforce, warn, or log
    auto_pin_keys=False,
    trusted_domains=["api.example.com"],
    interactive_mode=False
)

# Initialize verification
interceptor = SchemaVerificationInterceptor(config)

# Verify tool schema
result = await interceptor.verify_tool_schema(
    tool_name="database_query",
    schema=tool_schema,
    signature="base64_encoded_signature",
    domain="api.example.com"
)

if result.valid:
    print("✓ Schema verification successful")
else:
    print(f"✗ Verification failed: {result.error}")

本番環境の設定

# Production-ready configuration
config = SchemaPinConfig(
    enabled=True,
    policy_mode="enforce",  # Block execution on verification failure
    auto_pin_keys=True,     # Auto-pin keys for trusted domains
    key_pin_storage_path="/secure/path/keys.db",
    discovery_timeout=60,
    cache_ttl=7200,
    trusted_domains=[
        "api.corp.com",
        "tools.internal.com"
    ],
    well_known_endpoints={
        "api.corp.com": "https://api.corp.com/.well-known/schemapin.json"
    },
    revocation_check=True,
    interactive_mode=False
)

セキュリティ上のメリット

MCP Rug Pull の防止

SchemaPin は、悪意のある攻撃者が検知されずにツールスキーマを改ざんすることを防ぎます。

• 暗号学的署名：すべてのツールスキーマに暗号学的署名を付与します
• 鍵ピンニング：TOFU モデルによって中間者攻撃を防ぎます
• 監査証跡：セキュリティ分析用に検証ログをすべて記録します
• ポリシー適用：検証に失敗した場合の応答を設定できます

コンプライアンスとガバナンス

• 規制への準拠：監査ログは GDPR、SOX、HIPAA の要件に対応します
• エンタープライズセキュリティ：既存のセキュリティフレームワークと統合します
• リスク管理：環境ごとにセキュリティポリシーを設定できます
• 脅威検知：スキーマ改ざんの試みを自動的に検知します

統合例

基本的なツール検証

# Verify a single tool
from mockloop_mcp.schemapin import SchemaVerificationInterceptor

interceptor = SchemaVerificationInterceptor(config)
result = await interceptor.verify_tool_schema(
    "api_call", tool_schema, signature, "api.example.com"
)

一括検証

# Verify multiple tools efficiently
from mockloop_mcp.schemapin import SchemaPinWorkflowManager

workflow = SchemaPinWorkflowManager(config)
results = await workflow.verify_tool_batch([
    {"name": "tool1", "schema": schema1, "signature": sig1, "domain": "api.com"},
    {"name": "tool2", "schema": schema2, "signature": sig2, "domain": "api.com"}
])

MCP プロキシ統合

# Integrate with MCP proxy for seamless security
class SecureMCPProxy:
    def __init__(self, config):
        self.interceptor = SchemaVerificationInterceptor(config)
    
    async def proxy_tool_request(self, tool_name, schema, signature, domain, data):
        # Verify schema before execution
        result = await self.interceptor.verify_tool_schema(
            tool_name, schema, signature, domain
        )
        
        if not result.valid:
            return {"error": "Schema verification failed"}
        
        # Execute tool with verified schema
        return await self.execute_tool(tool_name, data)

ポリシーモード

Enforce モード

config = SchemaPinConfig(policy_mode="enforce")
# Blocks execution on verification failure
# Recommended for production critical tools

Warn モード

config = SchemaPinConfig(policy_mode="warn")
# Logs warnings but allows execution
# Recommended for gradual rollout

Log モード

config = SchemaPinConfig(policy_mode="log")
# Logs events without blocking
# Recommended for monitoring and testing

鍵管理

Trust-On-First-Use（TOFU）

# Automatic key discovery and pinning
key_manager = KeyPinningManager("keys.db")

# Pin key for trusted tool
success = key_manager.pin_key(
    tool_id="api.example.com/database_query",
    domain="api.example.com",
    public_key_pem=discovered_key,
    metadata={"developer": "Example Corp"}
)

# Check if key is pinned
if key_manager.is_key_pinned("api.example.com/database_query"):
    print("Key is pinned and trusted")

鍵の検出

SchemaPin は .well-known エンドポイント経由で公開鍵を自動的に検出します。

https://api.example.com/.well-known/schemapin.json

想定される形式：

{
  "public_key": "-----BEGIN PUBLIC KEY-----\n...\n-----END PUBLIC KEY-----",
  "algorithm": "ES256",
  "created_at": "2023-01-01T00:00:00Z"
}

監査とコンプライアンス

包括的なログ記録

from mockloop_mcp.schemapin import SchemaPinAuditLogger

audit_logger = SchemaPinAuditLogger("audit.db")

# Verification events are automatically logged
stats = audit_logger.get_verification_stats()
print(f"Total verifications: {stats['total_verifications']}")
print(f"Success rate: {stats['successful_verifications'] / stats['total_verifications'] * 100:.1f}%")

コンプライアンスレポート

# Generate compliance reports
from mockloop_mcp.mcp_compliance import MCPComplianceReporter

reporter = MCPComplianceReporter("audit.db")
report = reporter.generate_schemapin_compliance_report()

print(f"Compliance score: {report['compliance_score']:.1f}%")
print(f"Verification coverage: {report['verification_statistics']['unique_tools']} tools")

ドキュメントと例

• 📚 完全な統合ガイド：docs/guides/schemapin-integration.md
• 🔧 基本的な使用例：examples/schemapin/basic_usage.py
• ⚡ 高度なパターン：examples/schemapin/advanced_usage.py
• 🏗️ アーキテクチャドキュメント：SchemaPin_MockLoop_Integration_Architecture.md
• 🧪 テストカバレッジ：包括的なテスト 56 件（ユニットテスト 42 件＋統合テスト 14 件）

既存ユーザー向けの移行

SchemaPin 統合は完全な後方互換性があります。

1. オプトイン設定：SchemaPin はデフォルトで無効です
2. 破壊的変更なし：既存のツールは変更なく引き続き動作します
3. 段階的な導入：まず log モードから始め、warn、次に enforce へ進みます
4. ダウンタイムなし：サービスを中断せずに検証を有効にできます

# Migration example: gradual rollout
# Phase 1: Monitoring (log mode)
config = SchemaPinConfig(enabled=True, policy_mode="log")

# Phase 2: Warnings (warn mode)
config = SchemaPinConfig(enabled=True, policy_mode="warn")

# Phase 3: Enforcement (enforce mode)
config = SchemaPinConfig(enabled=True, policy_mode="enforce")

パフォーマンスへの影響

SchemaPin は、パフォーマンスへの影響を最小限に抑えるよう設計されています。

• 検証時間：ツールごとに約5～15ms（キャッシュ済みの結果）
• メモリ使用量：追加で10MB未満
• ネットワークのオーバーヘッド：初回使用時のみキーを検出
• データベースサイズ：ピン留めしたキーごとに約1KB

ユースケース

開発チーム

• セキュアな開発：開発中にツールのスキーマを検証します
• コードレビュー：プルリクエスト内のスキーマの整合性を確保します
• テスト：検証済みのスキーマを使用してツールの動作を確認します

エンタープライズセキュリティ

• 脅威の防止：悪意のあるスキーマの変更をブロックします
• コンプライアンス：監査証跡によって規制要件を満たします
• リスク管理：セキュリティポリシーを設定できます
• インシデント対応：セキュリティ分析に役立つ詳細なログを記録します

DevOps と CI/CD

• パイプラインのセキュリティ：デプロイパイプライン内のスキーマを検証します
• 環境間の昇格：環境間でスキーマの一貫性を確保します
• モニタリング：検証状況を継続的にモニタリングします
• 自動化：セキュリティポリシーを自動的に適用します

�️ 今後の開発

今後追加予定の機能 🚧

AI 機能の強化

• 高度な ML モデル：API テスト用のカスタムモデルをトレーニングします
• 予測分析：AI を活用して障害を予測します
• インテリジェントなテスト生成：自己改善するテストシナリオを生成します
• 自然言語によるテスト：平易な英語でテスト内容を記述します

対応プロトコルの拡大

• GraphQL 対応：GraphQL API のネイティブテストに対応します
• gRPC 統合：Protocol Buffers のテストに対応します
• WebSocket テスト：リアルタイム通信をテストします
• イベント駆動型テスト：非同期 API とイベントベースの API をテストします

エンタープライズ統合

• CI/CD 統合：パイプラインにネイティブ統合します
• モニタリングプラットフォーム：Datadog、New Relic、Prometheus と統合します
• ID プロバイダー：SSO とエンタープライズ認証を統合します
• コンプライアンスフレームワーク：規制コンプライアンスへの対応を拡充します

🤝 貢献

MockLoop MCP への貢献を歓迎します。詳細については、貢献ガイドラインをご覧ください。

開発環境のセットアップ

# Fork and clone the repository
git clone https://github.com/your-username/mockloop-mcp.git
cd mockloop-mcp

# Create development environment
python3 -m venv .venv
source .venv/bin/activate

# Install development dependencies
pip install -e ".[dev]"

# Run tests
pytest tests/

# Run quality checks
ruff check src/
bandit -r src/

コミュニティ

• GitHub リポジトリ：mockloop/mockloop-mcp
• 問題とバグの報告：GitHub Issues
• 機能リクエスト：GitHub Issues
• ドキュメント：docs.mockloop.com

📄 ライセンス

MockLoop MCP はMIT ライセンスのもとでライセンスされています。

---

🎉 今すぐ始めましょう！

世界初の AI ネイティブなテストプラットフォームで、API テストに革命を起こす準備はできていますか？

pip install mockloop-mcp

AI ネイティブなテストの革命に参加して、MockLoop MCP で API テストの未来を体験しましょう！

🚀 今すぐ始める →