![](https://developer.qcloudimg.com/http-save/yehe-6490225/0005a7b2e36963b25e5c378c978a031b.png)

最近我在 GitHub 上翻到一个项目：`keploy`，把 API 测试里最磨人的两个环节直接干掉了，分享给大家。

 这个项目在2022 年 就建仓了，到我写稿这天，项目已经获得18.7k star。10 月 20 号刚发了 v3.6.153，patch 版本一天能出好几个，维护更新相当频繁。

这个项目，先记住几个关键信息即可：

- 项目：`keploy`，Keploy 公司开源的 API 测试工具，把真实流量录成测试用例和数据 mock
- 技术栈：Go，Apache-2.0 协议，装完是一个单二进制 CLI
- 热度：18665 star，写稿这天实测
- 迭代：四年多，v3.6.153，10 月 20 号刚发
- 商业：开源核心免费，云端企业版另算。官网口径 300M+ mock、客户栏挂着 Amazon、Apple、Flipkart，这类数字没法核验，听听就行
- 地址：github.com/keploy/keploy

它干的事很简单，**一句话概括**：

Keploy 是开源、基于 eBPF 的无侵入式 API / 集成回归测试工具，录制真实流量（接口、数据库、消息队列调用）自动生成测试用例与依赖 Mock，在 CI 里回放做回归校验，**不用改业务代码、不用接入 SDK、不限语言**



## 几个核心功能特性

**1、无侵入流量录制（eBPF）**

在 Linux 内核层抓流量，业务代码零修改、不用代理、不用埋码；**语言无关**，Python/Java/Go/NodeJS 等任意后端都支持。捕获范围不止 HTTP 接口：Postgres、MySQL、MongoDB、Redis、Kafka、RabbitMQ、内部微服务调用全部抓包记录请求 + 返回结果。

**2、自动生成测试用例 + 自动 Mock 依赖**

录制完成自动产出 yaml 格式测试用例，同时把下游依赖的返回保存为 Mock。回放测试的时候不会去连真实 DB / 第三方接口，测试稳定、环境成本极低，解决集成测试环境不稳定的痛点。测试 yaml 可以直接提交 Git，团队共享。

3、**Record-Replay 录制回放模式**
- Record：跑一遍业务、调用接口，流量被录下来变成用例
- Test：重新启动应用，回放请求，对比响应差异，捕获回归 bug

4、**原生 CI/CD 集成** 

支持 GitHub Actions、GitLab CI、Jenkins，PR / 合并时自动跑 Keploy 回归用例，快速发现接口变更导致的兼容性问题


5、**可人工维护用例** 

yaml 文件可读，可以手动编辑断言、过滤动态噪声（时间戳、随机 id）；业务逻辑变更后，重新录制一键更新用例，不用重写脚本Keploy Blo...


**6、其他补充**

AI 辅助生成边界用例、测试覆盖率统计、Schema 校验、契约测试能力；企业版支持 K8s 集群录制、生产流量脱敏录制等能力，开源版本 Apache2.0 协议可免费使用。


##  keploy到底能解决哪些核心痛点

![](https://developer.qcloudimg.com/http-save/yehe-6490225/c0e868ff764616f68c8c95b2d8f7592c.png)


第一个痛点在**测试用例**：接口文档经常滞后、不全，用例基本靠人工逐条编写。很多人在 Postman 里攒了几百条请求，但能稳定放进 CI、自动回归的寥寥无几。项目工期一紧张，接口自动化测试往往是最先被砍掉、被搁置的部分。

第二个痛点在**依赖与 Mock**：想要跑通一条完整的业务链路，比如下单流程，前置依赖一大堆：用户服务、库存服务、支付渠道等。要么维护一整套完整的联调测试环境，要么手动逐个编写 Stub。可测试环境十分脆弱，别人改个配置、脏数据堆积，整套环境就容易挂掉；手写 Stub 更是无底洞，写完一层下游，才发现还有更深的依赖链路要处理。很多时候，搭建环境、维护依赖所消耗的时间，甚至远超写测试本身。

行业里其实已有不少方案，但各有短板：Python 的 vcr.py、Java 各类流量录放库，都需要侵入业务代码，耦合强、语言绑定，换一个技术栈就要重新适配；WireMock、mountebank 这类代理型 Mock 工具，需要把服务流量定向到代理，HTTPS 场景还要额外处理证书，而且大多只能捕获 HTTP 流量，数据库、消息队列、内部 RPC 调用覆盖不到，繁重的环境依赖问题依然没能根治。


这两个痛点本质上指向同一个缺口：

**真实的业务请求本就日复一日流过服务，只是这些流量没有被自动沉淀成可回归的测试用例与依赖快照**。

Keploy 就是瞄准这个缺口，基于 eBPF 做无侵入录制，不需要改代码、不需要代理劫持，自动捕获 HTTP、数据库、Redis、消息队列等全链路流量，一键生成带内置 Mock 的回归用例。录制下来的依赖快照会直接替代真实下游，不再需要维护一整套复杂联调环境；产出的 YAML 用例可以提交 Git、接入 CI，持续做回归校验，把接口回归测试的成本压到最低。

## keploy又是如何工作的？

eBPF 这个词最近两年快被讲烂了，但在这个场景里它是真的对症。

传统方案要么嵌库要么走代理，根子上都是「让流量路过我安排的地方」，嵌库侵入代码，代理侵入部署。eBPF 在内核里把包看了，应用层面什么都不用动，这是「不用改代码」四个字能成立的底层原因。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/9e823b6ec17376e6c90f076268088b34.png)

回放是反过来的。测试模式下应用照常启动，它去找数据库、找 Redis、找支付接口的调用，在半路被 `keploy` 截住，直接返回录制时的响应。数据库不用起，Stripe、Twilio 这类第三方也不用真调，官方文档里提了一句，连幂等性都不用保证，因为依赖根本没被真的执行过。

这就是它比「HTTP mock 工具」多走的那一步。Postgres、MySQL、MongoDB、Kafka、RabbitMQ 这些环境依赖被一起虚拟化了，跑一套回归，一台笔记本就够，不用等联调环境排期。


自动生成的测试工具多数死在一个地方，用例没人看得懂，没法 review，放两个月就成了僵尸文件，删了可惜，留着误报。`keploy` 的解法是把用例落成项目里的实体文件，测试用例和 mock 以 YAML 落在项目的 `keploy/` 目录，直接进 git、走 PR。新接口上线前录一遍，diff 里就能看到这次改动影响了哪些请求的响应，测试资产跟着代码一起被人审。

覆盖率这块它给了个双视角口径。开发熟悉的语句覆盖、分支覆盖它算，QA 关心的 API schema 覆盖、业务场景覆盖它也算，两边合到一份报告里。开发和测试对「覆盖了多少」各说各话的老问题，至少在工具层面有了一个统一算法。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/2998d669381e57b256fbc22ad912eee1.jpg)

## 安装方式


安装方法很简单，只要一条脚本即可。

```bash
# 一键安装脚本（官方推荐）
curl --silent -O -L https://keploy.io/install.sh && source install.sh

# 验证安装
keploy --version
```


也可以手动下载二进制（AMD64）

```bash
curl --silent --location "https://github.com/keploy/keploy/releases/latest/download/keploy_linux_amd64.tar.gz" | tar xz -C /tmp
sudo mv /tmp/keploy /usr/local/bin
```

macOS 也可以 `brew install keploy/tap/keploy`。装完要 `keploy login` 一次，浏览器授权或者配 `KEPLOY_API_KEY` 环境变量都行。

> ⚠️ 注意：底层依赖 eBPF，**原生只支持 Linux**；Mac、Windows 需要 WSL2 或者 Linux 虚拟机运行 Keploy CLI

## 使用流程

录制还是用你平时启动服务的命令。

```bash
keploy record -c "python main.py"
```

服务起来以后正常发请求，用 Postman 打、点页面、跑一段真实流量都行，用例和 mock 自动落进 `keploy/` 目录。


比如，你当前搭建了一个Python FastAPI 后端

### 步骤 1：录制流量，生成测试用例

`-c` 参数就是启动你的后端服务命令，keploy 会托管启动进程并抓流量

```bash
# 录制模式
keploy record -c "uvicorn backend.main:app --reload"
```

启动后，你自己调用接口（curl/postman/ 前端请求），正常跑业务流程； 录制完成，终端按 `Ctrl+C` 停止，自动在当前目录生成 `keploy/tests/`，里面是 yaml 测试用例 + mock 文件，直接可以 git 提交。

示例 curl 调用你的接口（录制时触发）

```bash
curl http://127.0.0.1:8000/health
curl -X POST http://127.0.0.1:8000/user -H "Content-Type:application/json" -d '{"name":"test"}'
```

### 步骤 2：回放执行回归测试

回放一条命令。

```bash
# 回放测试模式，delay是服务启动等待时间
keploy test -c "uvicorn backend.main:app --reload" --delay 5
```

Keploy 会自动读取 tests 目录里的用例，回放所有请求，拦截数据库 / 第三方调用、使用之前录制的 mock 返回；对比接口响应，输出测试报告，不一致就标记失败，发现回归问题。


### 步骤 3：接入 CI

```bash
- name: Run Keploy Tests
  run: keploy test -c "uvicorn backend.main:app" --delay 5
```

环境上有几个门槛要记。

Linux 要内核 5.10 以上。Mac 用户注意，Apple Silicon 有原生模式，不用 Docker，但原生模式只支持 Go、Node、Python、Java 四种语言，抓的协议只有 HTTP/HTTPS、MySQL、MongoDB，要用 Postgres、Redis、Kafka、gRPC 就得走 Docker。

还有一个容易踩的坑，`-c` 参数直接给二进制命令，套 `npm start`、`mvn` 这类启动器会出问题。

日常使用记住 `record` 和 `test` 两个子命令就够，录完看一眼 `keploy/` 目录，把噪声字段配好，提交进 git。文档里提醒过，高流量环境先别直接录，用例去重还是实验性功能，从低流量环境起步。

## AI 在里面干的是补边角的活

这个项目也接了 AI，但只是用来做辅助。

录制的用例来自真实流量，真实流量有个天然短板，用户没走过的路径就没有用例。`keploy` 拿已有的录制加 Swagger/OpenAPI 文档，让 AI 生成边界值、缺字段、错类型、乱序调用、超时重试这些边角用例，补上录制覆盖不到的地方。

![](https://developer.qcloudimg.com/http-save/yehe-6490225/9eac0cc26a823d7c52e322e46b68e4a0.png)

它官网现在的定位也整个压到了 AI 上，讲的是用真实流量的数字孪生验证 AI 写的代码，还挂了 Claude Code 的接入入口，让 AI Agent 改完代码自己跑一遍 `keploy test` 看回归。方向是那个方向，落到本地开源核心，AI 目前就是补边角的角色，主干还是流量录制。这个主次我反而觉得是对的，真实流量比模型生成的用例可信，AI 用来填缝，不用来当主角的。

## 先泼几盆冷水

好用是好用，但有几个现实问题得摆出来。

Mac 原生模式的支持范围前面说了，协议和语言都有限制，重度依赖 Postgres、Kafka 这类，老老实实走 Docker，别指望原生模式全包。

装完强制 `keploy login`，哪怕只用本地的录制回放。个人觉得这步对开源工具来说有点重，国内网络环境下浏览器授权偶尔还得折腾两回。

还有商业边界要认清。本地录制回放、用例生成都是 Apache-2.0 的开源部分，但生产环境录制、mock 仓库、时间冻结这些挂在云端企业版里。公司靠企业版养着开源，这个模式没毛病，只是选型时要想清楚自己要的功能在不在开源那一层。

## 写在最后

我的看法，工具可用可不用，看具体业务需求，但思路可以借鉴。

一条是「**流量即用例**」。你的测试环境每天都在产生真实请求，这些请求就是现成的测试资产，与其手写几百条用例，不如想办法把流量接住、存成可回放的文件。就算不用 `keploy`，录制回放加噪声过滤这套思路，自己拿任何语言实现一版，接口回归的覆盖率和新鲜度都会上一个台阶。

另一条是「**mock 要做到全依赖**」。只 mock HTTP 接口的测试，永远被数据库和环境拴着。数据库、消息队列、第三方一起虚拟化，测试才和环境解绑，这也是它敢说「跑测试不用起依赖」的底气。

不合适不必硬上，把流量录制、依赖虚拟化这两个设计搬进自己的工具和流程，比装一个新工具更值。

项目地址放这，感兴趣的自己翻。

GitHub: `github.com/keploy/keploy`
官网: `keploy.io`

---

我是**狂师**，公众号长期分享 AI 提效实战与测试开发技术干货。



最近我在 GitHub 上翻到一个项目：keploy，把 API 测试里最磨人的两个环节直接干掉了，分享给大家。

太棒了！推荐一款用真实流量自动生成 API 测试和模拟数据，不用改代码

测试

开发工具

后端

Keploy是一款基于eBPF的开源API测试工具，通过无侵入录制真实流量自动生成测试用例与依赖Mock，支持HTTP、数据库、消息队列等全链路捕获，无需修改代码或接入SDK。兼容Go、Python、Java等语言，可快速接入CI/CD实现回归测试，解决接口用例维护难、依赖环境不稳定等痛点。

回归测试

集成测试

消息队列

数字孪生

数据库

虚拟化

虚拟机

Windows

MongoDB

Python

Docker

GitHub

Kafka

Linux

Redis

MySQL

JSON

Java

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

太棒了！推荐一款用真实流量自动生成 API 测试和模拟数据，不用改代码-腾讯云开发者社区-腾讯云

太棒了！推荐一款用真实流量自动生成 API 测试和模拟数据，不用改代码

太棒了！推荐一款用真实流量自动生成 API 测试和模拟数据，不用改代码

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐