在AI应用和Agent开发过程中，初期测试若每次都请求真实大模型，会产生大量Token消耗，并受成本、网络和响应时间等因素制约；传统HTTP Mock工具虽能返回JSON，却难以模拟OpenAI Responses SSE、Anthropic Messages等LLM协议细节。针对这一痛点，开发者在Linux.do社区开源了LMMOCK项目——一个轻量级、可视化的本地Mock LLM Provider，可在不调用真实模型的情况下跑通AI应用。该项目同时兼容OpenAI与Anthropic协议，覆盖Chat Completions、Completions、Responses和Anthropic Messages接口，支持流式输出与Tool Call，并已在Codex和Claude Code上完成验证。LMMOCK支持gpt-*、deepseek-chat、glm-*、claude-*等任意模型名，可为每个模型分配不同的接口、API Key和响应行为，面向多Agent、多模型后端场景设计。除返回固定文本外，它还支持正则表达式匹配，可模拟响应文本、JSON、Tool Call、HTTP错误、响应延迟及指定大小的随机数据。用户可在浏览器中可视化配置Mock行为，无需手写复杂配置文件，直接管理模型、规则、匹配条件、优先级和行为组。项目提供源码启动、Docker部署及Linux、macOS、Windows发布包，支持中文界面。目前项目处于开发初期，代码已托管于GitHub，作者欢迎社区提交issue和PR。
事件分析
LLM应用开发长期缺乏专门的测试基建，多数团队依赖真实API做联调，导致测试成本随迭代次数线性增长，且难以复现边界场景。LMMOCK这类协议级Mock工具的出现，反映出AI开发工具链正从’能跑通’向’可工程化’演进——确定性响应使单元测试、CI集成和故障注入成为可能。该项目已适配Codex和Claude Code，说明Coding Agent的本地调试与回归测试需求正在增长，这也呼应了近期社区对Agent开发工作流完善的热潮。不过Mock工具的价值高度依赖协议跟进步伐，OpenAI与Anthropic接口更新频繁，流式格式、Tool Call等细节若未及时同步，可能造成’Mock通过但真实环境失败’的风险。后续值得关注其对MCP等新协议的适配进度，以及社区活跃度能否持续。
核心观点：当AI开发进入工程化深水区，测试基建成为隐形瓶颈，协议级Mock让LLM调试摆脱对真实模型的成本与不确定性依赖。
原文链接：Linux.do
