
Фича уже готова, но на стенде видим только happy path. Разработчику нужно посмотреть, как ведёт себя доработка на разных данных, дизайнеру — сравнить её с макетом, аналитику — проверить сценарий, QA — выполнить тестирование. А начинается всё одинаково: нужно где-то взять живые данные.
Я подставляю нужные ответы API прямо в браузере — через моки. Так можно посмотреть, как фича работает с длинным текстом, без данных или при ошибке загрузки, а затем передать готовый сценарий коллегам. На примере фильтра задач покажу, как это работает, и расскажу, почему для такой работы я сделал oMockman.
В статье
Что будем проверять
Привет! Я Евгений Степаненко, ведущий QA-инженер в Ozon. Покажу, как жонглировать ответами API.
Допустим, мы добавляем в таск-трекер фильтр задач по статусу: «Новая», «В работе», «Заблокирована» и «Завершена».

В этом примере займёмся UI-тестированием: проверим, как интерфейс показывает результаты фильтрации, загрузку и ошибки.
Нужно проверить:
Задачи загрузились. Отображаются их названия и статусы. У заблокированной задачи видна причина блокировки, у остальных нет.
По выбранным статусам ничего не найдено. Появляется сообщение, предусмотренное макетом.
Ответ ещё не пришёл. Отображается лоадер.
Запрос завершился ошибкой. Пользователь видит сообщение об ошибке и кнопку повтора.
Фильтр на фронтенде уже готов, но на стенде есть только несколько задач в статусе «Новая».
Для проверки остальных состояний можно создать задачи с нужными статусами и заполнить их данными. Но ошибку загрузки таким способом не получить. Вместо этого подготовим несколько ответов API и будем подставлять их в браузере. Так можно проверить отображение задач и обработку ошибок, не меняя данные на стенде.
Какие данные подготовить
Моки в тестировании позволяют проверить фичу, даже если на стенде нет нужных данных. Мы подменяем ответ бэкенда и смотрим, как его обработает интерфейс. Такой подход называют мокированием.
Когда пользователь применяет фильтр, приложение отправляет POST /api/tasks/search с выбранными статусами в теле запроса. Подготовим ответ с двумя задачами — новой и заблокированной:
{
"items": [
{
"id": 1,
"title": "Подготовить отчёт",
"status": "new"
},
{
"id": 2,
"title": "Согласовать макет",
"status": "blocked",
"block_reason": "Ждём ответа дизайнера"
}
]
}
В items лежат задачи, которые подошли под фильтр. Поле block_reason есть только у заблокированной задачи.
Возьмём этот мок за основу. Для каждого сценария изменим то, что влияет на проверку: данные, HTTP-статус или задержку ответа
Основные сценарии
Обычный ответ. Оставляем JSON с двумя задачами из примера.
Ничего не найдено. Подставляем
{"items": []}.Ошибка загрузки. Задаём HTTP-статус ошибки и тело ответа, предусмотренные спецификацией API.
Долгое ожидание. Добавляем задержку ответа. Если в приложении задан тайм-аут, задерживаем ответ дольше этого времени: проверяем, что ожидание завершается и пользователь видит ожидаемое сообщение.
Граничные случаи
Длинный текст. Заполняем
titleиblock_reasonдлинным текстом, отдельно пробуем слово без пробелов. Проверяем, не перекрывает ли текст кнопки и соседние поля.Одна задача или много задач. Меняем количество элементов в
itemsи проверяем вёрстку и прокрутку.Поле отсутствует или содержит
null. Если схема допускает такие варианты, готовим отдельные ответы и проверяем отображение.
Для других фич набор будет отличаться. Если есть суммы — проверяем ноль и границы допустимых значений. Если есть даты — проверяем переход суток или месяца. Конкретные значения берём из требований и схемы API.
Отдельно можно проверить реакцию на некорректный ответ — например, удалить обязательное поле или передать строку вместо числа. Но нужно понимать, что такие моки намеренно нарушают схему, их не стоит смешивать с ответами, которые API должен возвращать.
Почему появился oMockman
Подготовить один ответ несложно. Но для одной фичи мне нужно несколько вариантов: обычные данные, отсутствие результатов, длинный текст, ошибка. Потом эти же варианты нужны разработчику для воспроизведения бага и дизайнеру для ревью. Хотелось передавать им готовый набор, который можно импортировать и сразу использовать.
Сам JSON можно отправить сообщением. Но тело ответа — это только часть мока: нужны ещё URL, HTTP-метод, статус ответа и иногда задержка. В инструментах, которыми я пользовался, не хватало удобной работы с такими коллекциями и их импортом и экспортом. При этом я хотел работать прямо в браузере, через DevTools.
Поэтому я сделал oMockman — браузерное расширение для подмены запросов и ответов API. Начал с коллекций и передачи моков, а дальше добавлял возможности, которые требовались мне и пользователям: проверку данных по OpenAPI-схеме, AI-генерацию и подмену тела запроса.
Дальше покажу, как с его помощью проверить наш фильтр задач.
Как подменить ответ API в браузере
Инструкции по установке есть в репозитории oMockman. После установки открываем проверяемое приложение и панель расширения в DevTools.
Для первой проверки понадобятся два раздела:
Logs — запросы приложения. Здесь можно найти нужный запрос и создать мок на его основе.
Mocks — сохранённые моки. Здесь можно редактировать ответы, включать нужный вариант и объединять моки в коллекции.

Вернёмся к фильтру задач. Проверим, что увидит пользователь, если по выбранным статусам ничего не найдено.
В приложении выбираем статусы «Новая» и «Заблокирована» и применяем фильтр.
В Logs находим
POST /api/tasks/searchи нажимаем Mock. В форме уже заполнены метод, URL, тело запроса и полученный ответ.Заменяем тело ответа на
{"items": []}, сохраняем и включаем мок.Снова применяем фильтр в приложении. Теперь проверяем, что вместо задач появилось предусмотренное макетом сообщение «Ничего не найдено».

Для остальных проверок создаём другие варианты ответа на этот же запрос. Например, подставляем подготовленный JSON с двумя задачами и проверяем причину блокировки. Затем включаем вариант с длинным текстом и смотрим на вёрстку. Чтобы варианты не мешали друг другу, включаем их по одному.
Если ручка ещё не реализована, мок можно создать вручную: указать согласованные HTTP-метод и URL и заполнить ответ. При этом фронтенд уже должен отправлять соответствующий запрос.
Как это работает под капотом
В примере выше приложение отправляет POST /api/tasks/search, но получает подготовленный нами ответ. Подмена происходит при вызове fetch или асинхронного XMLHttpRequest: oMockman добавляет обёртки над этими браузерными методами.
Код расширения работает в двух контекстах. Обёртки выполняются в контексте страницы, где приложение вызывает fetch и XHR. Подбор моков происходит в изолированном контексте расширения. Между ними передаются сообщения через MessagePort:
Обёртка получает вызов и передаёт HTTP-метод и URL для поиска мока.
Расширение проверяет, разрешена ли его работа на сайте, и ищет подходящее активное правило.
Если найден мок ответа, обёртка получает его тело, статус, заголовки и задержку. Сам запрос на сервер не отправляется.
Для fetch расширение создаёт объект Response. Для XHR подставляет данные ответа и вызывает события, на которые подписано приложение, в том числе readystatechange, load и loadend.
Вся коллекция моков при этом в контекст страницы не передаётся, туда приходит результат подбора для конкретного запроса. Если подходящего мока нет или расширение не ответило за отведённое время, обёртка передаёт запрос исходному браузерному методу.
В Chrome используется Manifest V3. В манифесте указано, что код обёрток запускается в контексте страницы (world: "MAIN") на раннем этапе её загрузки (document_start). Это нужно, чтобы установить подмену до того, как приложение начнёт отправлять запросы.
OMockman также умеет подменять тело исходящего запроса. В этом режиме запрос отправляется честно серверу, поэтому живой бэкенд необходим.
Как сгенерировать данные для проверок
Ответ {"items": []} легко написать вручную. Но если нужно подготовить несколько задач с разными статусами, длинным текстом и вложенными объектами, на составление JSON вручную занимает много времени. Чтобы упростить и ускорить подготовку тестовых данных, в oMockman добавлена AI-генерация.
У мока указываем ссылку на OpenAPI-спецификацию. Она описывает поля запросов и ответов, их типы, обязательность и ограничения. Эти данные используются при генерации. Для работы AI нужно настроить подключение к OpenAI-совместимому API.
Дальше выбираем один из трёх режимов.
Happy — обычные данные. Используем его, чтобы получить основу ответа. Для нашего фильтра нужны задачи в статусах «Новая» и «Заблокирована». После генерации проверяем, что получились нужные статусы и у заблокированной задачи заполнена причина блокировки. При необходимости поправляем данные.
Corner — граничные значения. Этот режим помогает подготовить данные для проверки вёрстки: длинный текст, пробелы, спецсимволы и другие варианты. В промпте задано учитывать ограничения схемы. Например, если для title указано maxLength: 200, длинный текст должен укладываться в 200 символов.

Error — ответ с ошибкой. Выбираем HTTP-статус, для которого в спецификации описано тело ответа с ошибкой. Например, если предусмотрен ответ 500 с кодом и сообщением ошибки, используем его для проверки нашего фильтра. Включаем мок и смотрим, что показывает интерфейс. Затем переключаемся на успешный ответ и нажимаем кнопку повтора — задачи должны загрузиться.

После генерации проверяем ответ по схеме и просматриваем сами значения. Даже если JSON соответствует спецификации, он может не подходить для конкретной проверки — например, содержать задачи не с теми статусами.
Как проверить, не устарел ли мок
Открываем сохранённый мок в разделе Mocks и проверяем, что в поле OpenAPI URL указана ссылка на актуальную спецификацию для этой ручки. Если тело ответа расходится со схемой, oMockman подсветит ошибку.
Например, в новой версии API поле title заменили на обязательное name. В нашем моке осталось только title, поэтому расширение укажет, что не хватает name. Само title будет лишним полем, только если схема запрещает дополнительные поля.
Так мы сверяем мок со спецификацией.
Как автоматизировать подготовку моков с помощью AI
Если нужен сразу набор сценариев, подготовку можно поручить AI-агенту. Для этого я добавил в oMockman MCP-сервер: через него агент может читать записанные запросы, создавать коллекции моков и запускать выбранный сценарий во вкладке браузера.
Сначала подключаем локальный MCP-сервер к агенту и связываем его с расширением. После этого задачу можно описать обычным текстом:
Возьми ответ
POST /api/tasks/searchиз Logs и подготовь отдельные сценарии: обычные данные, ничего не найдено и длинный текст в названии задачи и причине блокировки. Сохрани их в набор «Проверка фильтра задач».
Агент использует записанный ответ как основу, меняет нужные значения и сохраняет моки в oMockman. Готовые варианты можно посмотреть и поправить в панели. Далее активируем мок сами или просим агента это сделать.
Теперь снова применяем фильтр в приложении и смотрим на результат.

Как использую моки в работе
Недавно я использовал этот подход при тестировании изменений в разделе, который показывает сотрудникам склада информацию о начислениях. В зависимости от ответа API в ней менялись суммы, статусы и доступные действия. Для разных сочетаний данных я подготовил отдельные моки.
Во время проверки нашёл баги. К каждому баг-репорту я прикладывал JSON с моками и шаги воспроизведения: какой мок включить, что сделать в интерфейсе и какой результат ожидается. Разработчик импортировал файл и воспроизводил баг на тех же данных. Ему не нужно было отдельно просить коллег подготовить их на бэкенде.
На дизайн-ревью тоже передаём набор моков, дизайнер импортирует его и сравнивает реализацию с макетами. Иногда такие наборы отправляем аналитикам, чтобы они посмотрели нужный вариант работы приложения.
OMockman появился из повседневных задач по проверке интерфейсов и постепенно оброс новыми возможностями. Сейчас с его помощью можно готовить моки, делиться сценариями с коллегами и автоматизировать часть работы через AI и MCP.
Проект доступен с открытым исходным кодом. Попробовать oMockman можно по инструкции в репозитории. Буду рад обратной связи, баг-репортам и предложениям по развитию.

Комментарии 0