Génère des jeux de données relationnels synthétiques et des fixtures de seed à partir de schémas SQL DDL ou ORM avec une intégrité des clés étrangères garantie.
Aussi connu sous RitualDev-Lab/MockForge, mockforge, @ritualdev-lab/mockforge
- Étoiles
- 0
- Outils
- —
- Téléchargements, 30 jours
- —
- Dernière version
- 0.1.1
- Dernier commit
- 8 nov. 2026
- Licence
- —
Qu'est-ce que MockForge AI MCP ?
MockForge AI est un serveur MCP. Génère des jeux de données relationnels synthétiques et des fixtures de seed à partir de schémas SQL DDL ou ORM avec une intégrité des clés étrangères garantie.
Résumé généré à partir du README du projet
À propos du MCP server MockForge AI
MockForge AI offre aux développeurs et aux ingénieurs QA un moyen de générer des jeux de données relationnels synthétiques sans dépendre d'une infrastructure cloud. Le processus consiste à analyser le SQL DDL, les schémas Prisma ou Drizzle, ainsi que les spécifications OpenAPI pour construire un graphe de dépendances. En utilisant l'algorithme de tri topologique de Kahn (DAG Sorter) et un moteur SQLite WebAssembly exécuté dans le navigateur, l'outil garantit que toutes les relations de clés étrangères restent valides pendant la synthèse des données. Cela permet de créer des millions de lignes à des vitesses dépassant 88 000 lignes par seconde.
Les utilisateurs peuvent interagir avec le système via un CLI, un SDK Python ou un SDK Node.js/TypeScript. Le moteur s'exécute entièrement côté client ou au sein de runtimes edge serverless éphémères, ce qui signifie qu'il ne nécessite aucune base de données externe ni aucun VPS pour fonctionner. Il prend en charge l'exportation de données vers de multiples formats, notamment des scripts SQL INSERT, du JSON imbriqué, des bundles CSV, des fixtures Pytest et des seeders TypeScript. Cela le rend idéal pour le développement local, les pipelines CI/CD et les environnements de tests automatisés où la confidentialité des données et une faible latence sont requises.
Ce que vous pouvez faire avec
- 1Générer des fichiers de seed relationnelsCréez des fichiers SQL ou JSON contenant des milliers d'enregistrements liés à partir d'un schéma de base de données existant.
- 2Automatiser les fixtures de test PythonIntégrez la génération de données synthétiques directement dans vos suites Pytest en utilisant le SDK Python.
- 3Anonymiser les données de productionRemplacez les informations sensibles dans les snapshots de bases de données par des données synthétiques pour maintenir la conformité.
- 4Simuler des endpoints APIDéployez des serveurs HTTP temporaires en mémoire qui servent des données dynamiques basées sur vos définitions de schémas.
Extrait du README du projet. Chaque cas d'utilisation est vérifié par rapport à une citation du document.
Comment installer MockForge AI MCP
Formats vérifiés le 10 nov. 2026Ajouter à CursorAjouter à GooseInstaller MockForge AI MCP dans Claude Code
$ claude mcp add mockforge -- npx -y @ritualdev-lab/mockforgeInstaller MockForge AI MCP dans Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"mockforge": {
"command": "npx",
"args": [
"-y",
"@ritualdev-lab/mockforge"
]
}
}
}Installer MockForge AI MCP dans VS Code
.vscode/mcp.json
{
"servers": {
"mockforge": {
"type": "stdio",
"command": "npx",
"args": [
"-y",
"@ritualdev-lab/mockforge"
]
}
}
}Installer MockForge AI MCP dans VS Code CLI
$ code --add-mcp '{"name":"mockforge","type":"stdio","command":"npx","args":["-y","@ritualdev-lab/mockforge"]}'Installer MockForge AI MCP dans Claude Desktop
claude_desktop_config.json
{
"mcpServers": {
"mockforge": {
"command": "npx",
"args": [
"-y",
"@ritualdev-lab/mockforge"
]
}
}
}Installer MockForge AI MCP dans Codex
$ codex mcp add mockforge -- npx -y @ritualdev-lab/mockforgeInstaller MockForge AI MCP dans Codex config.toml
~/.codex/config.toml
[mcp_servers.mockforge] command = "npx" args = ["-y", "@ritualdev-lab/mockforge"]
Installer MockForge AI MCP dans Gemini CLI
$ gemini mcp add -s user mockforge npx -- -y @ritualdev-lab/mockforgeInstaller MockForge AI MCP dans Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"mockforge": {
"command": "npx",
"args": [
"-y",
"@ritualdev-lab/mockforge"
]
}
}
}Vérifications automatisées
Exécuté le 15 nov. 2026Rapport complet →A passé nos vérifications automatisées. Il ne s'agit pas d'un audit de sécurité : lisez le code et donnez au serveur l'accès le plus restreint dont il a besoin. Fonctionnement des vérifications · Ce qu'il faut corriger pour gagner des points
- Dépôt source lié et accessibleritualdev-lab/mockforge is public and reachablegithub.com/ritualdev-lab/mockforge ↗Réussi
- Le nom du package correspond au dépôt source@ritualdev-lab/mockforge names ritualdev-lab/mockforge as sourcenpmjs.com/package/@ritualdev-lab/mockforge ↗Réussi
- Provenance du build (attestation Sigstore)No build attestation published for this releaseNon vérifié
- Licence open source (OSI)No licenseFaille
- Commit ou version publiée au cours de l'année écouléeLast commit or release 2026-11-08github.com/ritualdev-lab/mockforge ↗Réussi
- OpenSSF ScorecardNon vérifié
- Nom du package non proche d'un package populaireNo popular package one edit away from @ritualdev-lab/mockforgeRéussi
- Aucun avis critique dans le package ou ses dépendances99 resolved dependencies checked; no critical advisoryosv.dev ↗Réussi
- Aucune instruction cachée destinée au modèle0 tool descriptions and the README read; no override phrases, credential paths or hidden charactersRéussi
- Les outils destructifs sont étiquetésNon vérifié
- Le point de terminaison distant répond à la poignée de main MCPNon vérifié
README
Voir sur GitHub🎲 MockForge AI
Intelligent In-Browser Relational Mock DB & Seed Data Synthesizer
MockForge AI is a blazing-fast, zero-cloud-overhead relational mock database and seed synthesizer. Powered by Kahn's Topological DAG Sorter, an in-browser WebAssembly SQLite engine, and Gemini 1.5 Flash, MockForge generates millions of synthetic rows with 100% foreign-key integrity at 88,000+ rows/second — completely in-memory with $0 cloud compute overhead ($0 VPS).
Download Release • CLI Quickstart • Python SDK • Architecture • Enterprise Features • Examples
⚡ The Problem: Relational Seed Data Hell
Developers and QA engineers waste hundreds of hours manually authoring seed fixtures:
- Foreign Key Violations: Inserting
ordersbeforeuserscrashes integration tests with integrity constraint failures. - Rotting Test Fixtures: Schema migrations (Prisma, Drizzle, Alembic) invalidate static JSON mocks, forcing manual updates.
- PII & Compliance Risks: Copying sanitized production databases into staging frequently violates HIPAA, GDPR, and SOC 2.
- Cloud Database Costs: Provisioning staging database instances for every CI/CD runner inflates infrastructure bills.
MockForge solves this by parsing SQL DDL or Prisma schemas, building a dependency DAG, and synthesizing millions of coherent relational rows directly inside your CI/CD runner or browser.
🏛️ Architecture
MockForge runs entirely client-side or in ephemeral serverless edge runtimes with zero external database dependencies:
flowchart TD
subgraph Inputs["Schema Input Layer"]
DDL["SQL DDL (Postgres / MySQL / SQLite)"]
Prisma["Prisma / Drizzle Schema"]
OpenAPI["OpenAPI / Swagger Spec"]
end
subgraph CoreEngine["MockForge In-Memory Engine (< 88,000 rows/sec)"]
Parser["AST Schema Parser & Foreign Key Graph Builder"]
DAGSorter["Kahn's Topological DAG Sorter\n(Resolves Insertion Hierarchy & Cycles)"]
Generator["Deterministic Synthetic Generator\n(Context-Aware Faker + Gemini 1.5 Flash)"]
WASMDB["In-Memory WebAssembly SQLite Database\n(Real-Time FK & Unique Constraint Validator)"]
end
subgraph Exporters["Multi-Format Exporter Layer"]
SQLExp["SQL INSERT Scripts (.sql)"]
JSONExp["Nested Relational JSON"]
CSVExp["Relational CSV Bundles"]
PyExp["Pytest Fixtures (Python)"]
TSExp["TypeScript / Prisma Seeders"]
end
subgraph ZeroCostEdge["Serverless Edge (api.mockforge.io)"]
CFWorkers["Cloudflare Workers (Headless CI/CD Seed API)"]
end
Inputs --> Parser
Parser --> DAGSorter
DAGSorter --> Generator
Generator --> WASMDB
WASMDB --> SQLExp & JSONExp & CSVExp & PyExp & TSExp
CFWorkers -.->|Headless DDL-to-Seed API| CoreEngine
🚀 Quickstart
1. CLI Quickstart
Download the pre-compiled binary from Latest Releases or install via npm:
npm install -g @ritualdev/mockforge
Generate 1,000 relational records with foreign key integrity from any SQL schema:
mockforge generate ./examples/schema.sql --count 1000 --format sql -o seed.sql
Supported output formats: --format sql, --format json, --format csv, --format prisma.
2. Python SDK Quickstart (pip install mockforge)
Ideal for Pytest fixtures, Django, SQLAlchemy, and automated testing pipelines:
from mockforge import RelationalSynthesizer
# Define your schema
schema = """
CREATE TABLE users (id INTEGER PRIMARY KEY, name TEXT, email TEXT);
CREATE TABLE orders (id INTEGER PRIMARY KEY, user_id INTEGER REFERENCES users(id), amount REAL);
"""
# Synthesize relational dataset
synthesizer = RelationalSynthesizer()
seed_sql = synthesizer.generate_from_ddl(
schema,
row_counts={"users": 50, "orders": 200}
)
print(seed_sql[:200])
# All foreign keys are guaranteed valid and resolved in topological order!
See examples/pytest_fixtures.py for a complete pytest integration guide.
3. Node.js / TypeScript SDK
npm install @ritualdev/mockforge
import { MockForgeEngine } from '@ritualdev/mockforge';
const engine = new MockForgeEngine();
const result = await engine.synthesizeFromSql(`
CREATE TABLE customers (id INT PRIMARY KEY, name VARCHAR(100));
CREATE TABLE invoices (id INT PRIMARY KEY, customer_id INT REFERENCES customers(id), total DECIMAL);
`, { count: 500 });
console.log(`Generated ${result.totalRows} rows across ${result.tables.length} tables in ${result.elapsedMs}ms`);
🏢 Enterprise Features ($50K–$250K ACV Capabilities)
- 🛡️ Production Database Masking & Anonymization (HIPAA / GDPR / SOC 2): Pipe sanitized snapshots of live Postgres/MySQL production databases through MockForge to replace real customer names, SSNs, and credit cards with synthetically coherent mock data while preserving 100% of foreign-key relationships.
- 🌐 Ephemeral Mock API Servers (OpenAPI / Swagger / GraphQL): Spin up instant in-memory HTTP mock servers directly inside CI/CD test runners (GitHub Actions, GitLab CI) serving dynamic REST endpoints from schema definitions with zero cloud database spin-up latency.
- 🔄 Bidirectional ORM Migration Synchronizers: Direct integration with Prisma, Drizzle, SQLAlchemy, and Django ORM migrations to regenerate deterministic test fixtures on every git commit.
📊 Performance Benchmarks
- Throughput: 88,000+ rows/second generated and validated in-memory.
- Foreign Key Accuracy: 100% validity across 10,000+ relational test permutations.
- Infrastructure Cost: $0.00 / month ($0 VPS, $0 cloud database costs).
- Test Verification: 58 / 58 passing tests across Node.js, WebAssembly, and Python 3.8+.
💖 Sponsor & Support via Dodo Payments
MockForge is engineered by RitualDev Lab. Your sponsorship directly finances our client-side WebAssembly SQLite/PGlite test runners, synthetic data generation algorithms, and multi-dialect schema fixture tooling.
⚡ 1-Click Dodo Payments Checkout • 🎁 Interactive Donation Form (USD & INR UPI) • ❤️ GitHub Sponsors
🔒 Zero physical shipping required. Powered by Dodo Payments (Merchant of Record) with instant tax invoice and global payment methods (Cards, UPI, Apple Pay).
🤝 Community & Support
- Feature Requests & Bug Reports: Open an issue in our Public Issue Tracker.
- Enterprise Licensing: Contact
enterprise@ritualdev.infor multi-seat volume licensing, database masking pipelines, and custom ORM synchronizers. - Core Development: Developed and maintained by RitualDev Studio.
Questions sur MockForge AI MCP
Comment ajouter MockForge AI MCP à Claude Code ?
Exécutez claude mcp add mockforge -- npx -y @ritualdev-lab/mockforge dans votre terminal. Ajoutez --scope user pour le rendre disponible dans tous les projets.
Comment ajouter MockForge AI MCP à Cursor ?
Ouvrez ~/.cursor/mcp.json et ajoutez le serveur sous mcpServers, avec la configuration Cursor indiquée dans la section d'installation ci-dessus.
À quelle vitesse MockForge peut-il générer des données ?
Il peut générer plus de 88 000 lignes par seconde en mémoire.
Quels formats d'entrée sont pris en charge pour les définitions de schémas ?
Le moteur prend en charge le SQL DDL (Postgres, MySQL, SQLite), les schémas Prisma/Drizzle, ainsi que les spécifications OpenAPI/Swagger.
Vers quels formats de sortie puis-je exporter mes données de test ?
Vous pouvez exporter les données sous forme de scripts SQL INSERT, de JSON relationnel imbriqué, de bundles CSV relationnels, de fixtures Pytest ou de seeders TypeScript/Prisma.