# Збудувати фронтенд перед тим, як API буде готовим: Без нестабільних конструкцій

<datetime class="hidden">2025-12-13T14:30</datetime>

<!--category-- ASP.NET Core, LLM, API Development, Testing, Mock APIs -->
## Введение

Скільки разів ви були заблоковані, очікуючи на готовність зворотнього інтерфейсу API? Або витрачали години на підтримання нестабільних макетів даних, які стають усталені, коли змінюються потребиM SK1

Ввести `mostlylucid.mockllmapi` - виробництво - готовий АSP МSK2 NET Коренная платформа для монтування, яка використовує великих мовних моделей, щоб генерувати реалістичні M SK3 контекстуально освічені API відгуки в реальному часі . Замість підтримки JSON приладів MSC5 ви отримуєте розумні макети, які пристосовуються до ваших запитів і запам 'ятовують стан по всіх дзвінках

**Що він підтримує:** Кожен потрібний для вас протокол - RESTM SK1 GraphQL, gRPC , SignalRMska4 ServerMske5Sent EventsMске6 and OpenAPIMsek7 На відміну від статичних приладівMска8 реакція генерується динамічно, базуючися на вашому контексті запитуMСК9 робить мультипліковіM СКСК10step робочі потоки і складні сценарії тестування банальнимиМСК11

### Ссылки на проект

[![NuGet](https://img.shields.io/nuget/v/mostlylucid.mockllmapi.svg)](https://www.nuget.org/packages/mostlylucid.mockllmapi)
[![NuGet](https://img.shields.io/nuget/dt/mostlylucid.mockllmapi.svg)](https://www.nuget.org/packages/mostlylucid.mockllmapi)
[![Реліз GitHub](https://img.shields.io/github/v/release/scottgal/LLMApi)](https://github.com/scottgal/LLMApi/releases)
[![Лицензія: Нелицензія](https://img.shields.io/badge/license-Unlicense-blue.svg)](http://unlicense.org/)

- **Репозитори:** [https://github.comMSC2scottgalM SK3LLMApi](https://github.com/scottgal/LLMApi)
- **Релізи:** https://githubMSC1com/scottgalM SK3LLMApiMST4релізи
- **Компаніонний пакет:** [найбільш зрозуміле.mockllmapiM SK1 Тестування](https://github.com/scottgal/LLMApi/blob/master/mostlylucid.mockllmapi.Testing/README.md) - Програмні засоби тестування з плавною інтеграцією HttpClient

### Три способи його використання

Ви можете використовувати в основномуlucid.mockllmapi в трьох способах, в залежності від того, наскільки ізольованим ви хочете, щоб ваша dev середина була

1. **ASP.NET Core NuGet пакет** - Dodaj до своїх існуючих проектів
2. **Самотній інструмент CLI** - Кросс -платформа, яку можна запустити МSK2 завантажити з [випуски](https://github.com/scottgal/LLMApi/releases))
3. **Контейнер дротів** - Нульна інсталяція

[TOC]

## Функція вбивця: Контекстна пам 'ять

> **📖 Полний інструкт МSK1** [Dokumentація контексту API](https://github.com/scottgal/LLMApi/blob/master/docs/API-CONTEXTS.md)

У традиційних модових інтерфейсах є смертельна помилка: кожен запит невід 'ємний. З' єднайте користувача з ID M SK2 і перейдете до їхніх замовлень , і виMSC4 отримаєте замовлення для ID користувача МSK5 Немає послідовностіMスク6

**Контексти API** розв 'язати це за допомогою спільної пам' яті через пов 'язані вимоги:

```javascript
// Request 1: Get a user
// Note: 'context' is a simple query parameter - no cookies or sessions needed
fetch('/api/users/123?context=checkout-session')
// Response: { id: 42, name: "Alice Smith", email: "alice@example.com" }

// Request 2: Get orders (same context parameter)
fetch('/api/orders?userId=42&context=checkout-session')
// Response: { userId: 42, customerName: "Alice Smith", items: [...] }
// Perfect! Same user, consistent data
```

LLM бачить попередні запити у тому ж контексті і генерує послідовні дані. **Це гра-вимінювач для мультиплікових-ступенчатих операційних потоківM SK2**

**Особенности:**

**Цикл життя:**

- Автоматичний термін служби після 15 хвилин неактивності (конфигурованийM SK2
- Кожна просьба відновлює таймер

**Поведение:**

- Інтелектове видобуток усіх pól від реакцій

**Безпека:**

- Нульовий витік пам 'яті контексти - очищуються самі

**Використовуйте cases:**

- Чудово для CI/CD M SK1 без estado між запусками

## Швидкий старт

### Опція 1: NuGet Package

```bash
dotnet add package mostlylucid.mockllmapi
```

```csharp
// Program.cs
builder.Services.AddLLMockApi(builder.Configuration);
app.MapLLMockApi("/api/mock");
```

### Вибір інструмента 2: CLI

```bash
# Download from https://github.com/scottgal/LLMApi/releases
llmock serve --port 5000
```

### Опція 3: Докер

> **📖 Полний інструкт МSK1** [Руководство по застосуванні докера](https://github.com/scottgal/LLMApi/blob/master/docs/DOCKER_GUIDE.md)

```bash
git clone https://github.com/scottgal/LLMApi.git
cd LLMApi
docker compose up -d
```

### Початкові вимоги: Бакунок LLM

Вам потрібно **один із**: Ollama, OpenAIM SK2 або LM Studio:

```bash
# Recommended: Ollama with ministral-3:3b (ultra-fast, accurate JSON generation)
ollama pull ministral-3:3b
```

Подивіться [Руководство по моделям Оллами](https://github.com/scottgal/LLMApi/blob/master/docs/OLLAMA_MODELS.md) для всіх рекомендацій та порівнянь моделей.

### Попробуйте негайно

Після запуску, зробити вашу першу просьбуM SK1

```bash
curl http://localhost:5000/api/mock/users
# Response: [{"id": 1, "name": "Alice Johnson", "email": "alice@example.com"}, ...]
```

Це – МСК0, це – МSK1. Тепер у вас є робочий макет API, який генерує реальні дані на попиті

## Справжній приклад: Поиск від mostlylucid.net

Ось реальний пошуковий код цього блогу - **це не змінений код фронтального продукту**, для макета не потрібні адаптації

```javascript
// typeahead.js from mostlylucid.net
export function typeahead() {
    return {
        query: '',
        results: [],
        search() {
            fetch(`/api/search/${encodeURIComponent(this.query)}`)
                .then(response => response.json())
                .then(data => { this.results = data; });
        }
    }
}
```

**Потворіться на це.**

```bash
# Using CLI
llmock serve --port 5000

# Query returns contextual results
curl http://localhost:5000/api/search/markdown
# LLM generates blog posts about Markdown

curl http://localhost:5000/api/search/docker
# LLM generates blog posts about Docker
```

Кожна реакція унікальна і реалістична, адаптується до запиту

## Kontrolа форми: Визначати свою схему

Крім простого генерування випадкових даних, вам часто потрібно точно контролювати структуру JSONM SK1 Контроль форми дозволяє сказати LLM точно, яку структуру генерувати - найпотужнішу функцію для розробки фронтального інтерфейсу .

### Початкова форма

```bash
# Without shape - random structure
curl http://localhost:5000/api/mock/users
# Response: { "userId": 1, "fullName": "Alice" }

# With shape - you control it
curl "http://localhost:5000/api/mock/users" \
  -H 'X-Response-Shape: {"id":0,"name":"string","email":"string"}'
# Response: { "id": 1, "name": "Alice", "email": "alice@example.com" }
```

**Три способи визначити форму:**

1. Попитний параметр - `?shape={...}`
2. HTTP заголовок - `X-Response-Shape: {...}` (рекомендуєтьсяM SK1
3. Керівник запиту - `{"shape": {...}}`

### Вбудована форма

```javascript
const shape = {
  company: {
    id: 0,
    name: "string",
    employees: [{
      id: 0,
      firstName: "string",
      department: { id: 0, name: "string" },
      projects: [{ id: 0, title: "string" }]
    }]
  }
};

fetch('/api/mock/company', {
  headers: { 'X-Response-Shape': JSON.stringify(shape) }
});
```

### Упорядкування шрифта

```typescript
interface User {
  id: number;
  name: string;
  email: string;
}

const USER_SHAPE: Partial<User> = { id: 0, name: "", email: "" };

// Shape becomes your type definition AND mock schema!
```

## Multi-Step Workflows with Context

Тепер дозвольте' об 'єднати управління формою з інтерфейсом API, щоб працювати з складними , мультиплексними МSK2 кроковими робочими потоками M SK3 Запам 'ятайте функцію контекстної пам' яті, що була розроблена раніше

Цей приклад із mostlylucid.net's перекладної служби показує, як LLM зберігає стан в повному асинкному робочому потокі

```bash
# Step 1: Start translation
curl -X POST http://localhost:5000/api/translate/start?context=translate-session \
  -d '{"language": "es", "markdown": "# Hello World"}'
# Response: { "taskId": "abc-123", "status": "processing" }

# Step 2: Check status (LLM remembers the task)
curl http://localhost:5000/api/translate/status/abc-123?context=translate-session
# Response: { "taskId": "abc-123", "status": "complete" }

# Step 3: Get result (same taskId!)
curl http://localhost:5000/api/translate/result/abc-123?context=translate-session
# Response: { "taskId": "abc-123", "translatedText": "# Hola Mundo" }
```

Зауважте, як `taskId` є послідовним у всіх запитах. **Контекст робить це можливим**

## За межами REST: Всі протоколи

На даний момент ми ' зосередилися на РEST МSK1, але сучасні додатки потребують більше МSK2 Неважливо, чи ви будовуєте з GraphQL , реалізуєте реальні СМСК5 часові funkcje з SignalR МСК6 або працюєте з послугами gRPC ПМСК7 переважно зрозуміли ВМСК8 mockllmapi забезпечив вас УМСК9

**Obsługовані протоколи:**

- ✓ РEST
- ✓ GraphQL
- ✓ gRPC
- ✓ СигналR
- ✓ Сервер
- ✓ OpenAPI / Swagger

### GraphQL

> **📖 Руководство** [Секция GraphQL](https://github.com/scottgal/LLMApi#graphql-api-mocking)

```bash
curl -X POST http://localhost:5000/api/mock/graphql \
  -d '{"query": "{ users { id name email } }"}'
```

query IS the shape - need no separate schema.

### gRPC

> **📖 Полний інструкт МSK1** [Поддержка gRPC](https://github.com/scottgal/LLMApi/blob/master/docs/GRPC_SUPPORT.md)

```bash
# Upload .proto file
curl -X POST http://localhost:5116/api/grpc-protos \
  --data-binary "@user_service.proto"

# Call via JSON or binary Protobuf
curl -X POST http://localhost:5116/api/grpc/userservice/UserService/GetUser \
  -d '{"user_id": 123}'
```

### Сигнальний час

> **📖 Руководство** [Руководство для демонстрації SignalR](https://github.com/scottgal/LLMApi/blob/master/SIGNALR_DEMO_GUIDE.md)

```javascript
const connection = new signalR.HubConnectionBuilder()
    .withUrl("/hub/mock")
    .build();

connection.on("DataUpdate", (message) => {
    console.log(message.data); // Live generated data
});

await connection.start();
await connection.invoke("SubscribeToContext", "stock-prices");
```

Чудово для створення прототипу панелі управления.

### Сервер-Надіслані події M SK1SSE)

> **📖 Руководство** [Моди потоку SSE](https://github.com/scottgal/LLMApi/blob/master/docs/SSE_STREAMING_MODES.md)

```javascript
const eventSource = new EventSource('/api/mock/stream/users');
eventSource.onmessage = (event) => {
    const data = JSON.parse(event.data);
    console.log('Token:', data.chunk); // Progressive generation
};
```

### Swagger OpenAPI /

> **📖 Полний інструкт МSK1** [Функції OpenAPI](https://github.com/scottgal/LLMApi/blob/master/docs/OPENAPI-FEATURES.md)

```bash
# CLI: Load any OpenAPI spec
llmock serve --spec https://petstore3.swagger.io/api/v3/openapi.json

# All endpoints become live mocks automatically
curl http://localhost:5000/petstore/pet/123
```

## Встромні інструменти: Mix Real & Mock Data

> **📖 Полний інструкт МSK1** [Наrzędziа & Działaння](https://github.com/scottgal/LLMApi/blob/master/docs/TOOLS_ACTIONS.md)

Інколи вам потрібен гібридний підхід - реальні дані з виробництва, поєднані з генерованими mock-даннями . Встромна система інструментів дає змогу викликати справжні API під час генерації mocku МSK2 створення неймовірно реалістичних тестових сценаріїв

```json
{
  "Tools": [{
    "Name": "getUserData",
    "Type": "http",
    "HttpConfig": {
      "Endpoint": "https://api.production.com/users/{userId}",
      "Headers": { "Authorization": "Bearer ${PROD_API_KEY}" }
    }
  }]
}
```

```bash
curl "http://localhost:5000/api/mock/orders?useTool=getUserData&userId=123"
```

Модель витягує дані реального користувача, тоді LLM генерує замовлення за допомогою цього. **Надто корисний для реалістичного тестування з гібридним макетом/реальний робочий процесM SK1**

## ASP.NET - ядро інтеграції

Якщо ви будуєте з ASP, то інтерфейс ., ядра NET, , є безшовним. **нуль змін коду** на ваші послуги - ви просто встановите `HttpClient` щоб звернути увагу на макет під час розробки та на реальний API в процесі виробництва.

```csharp
// Real code from mostlylucid.net
builder.Services.AddHttpClient<IMarkdownTranslatorService, MarkdownTranslatorService>(
    client => {
        var baseUrl = builder.Configuration["TranslationService:BaseUrl"]
            ?? "http://localhost:5000";  // Mock during dev
        client.BaseAddress = new Uri(baseUrl);
    }
);
```

**програмне забезпечення.РазвитиеM SK1json:**

```json
{
  "TranslationService": {
    "BaseUrl": "http://localhost:5000"  // Mock
  }
}
```

**налаштування.Продукція.jsonM SK2**

```json
{
  "TranslationService": {
    "BaseUrl": "https://api.production.com"  // Real
  }
}
```

Ця модель працює для будь-якого `HttpClient` в вашій програмі - перекладові послуги , платежні воротаM SK2 зовнішні API, ви називаєте їх так

## Коли використовувати це

Перед тим, як заглибитись у розширені можливості, давайте зрозуміємо, коли цей інструмент має сенс для вашого робочого процесу.

**Чудово для:**

- **Розробка фронтального інтерфейсу перед тим, як він існуватиме** - Зупиніть блокування команд на зворотньому рівні
- **Мульти-ступеннє тестування потоку роботи** - Контекстна пам 'ять виконує складні сценарії
- **Прототипування API** - Експеримент з формами реагування перед тим, як почати
- **Оффлайн розвиток** - Працювати без залежностей від мережі
- **Випробовування сценаріїв** - Симулювати невдачі без руйнування виробництва
- **Трубопроводи** - Без зовнішніх віддалень означає швидший , надійніші будинки

**Не ідеальний для:**

- **Середовища виробництва** - Це інструмент для розробки та тестування
- **Детерміністичні дані тесту** - Використовуйте пристрої, коли вам потрібна точная репродукційність
- **Тестування контракту** - Взагалі-то перевіряти справжні API для контрактів з виробництвом

Тепер, коли ви знаєте, де він вміщується,

## Заawansовані характеристики

> Ці характеристики є опційними - ви можете отримати величезну цінність лише з базових даних . Але коли вам потрібна продукція МSK2 рівень реалізму в масштабі МSK3 ці інструменти є тут

### Багато LLM-засадників

> **📖 Руководство** [Багато LLM-засадників](https://github.com/scottgal/LLMApi/blob/master/docs/MULTIPLE_LLM_BACKENDS.md)

```bash
# Fast for dev
curl http://localhost:5000/api/mock/users

# High quality for demos
curl "http://localhost:5000/api/mock/users?backend=quality"

# Cloud AI for production-like
curl "http://localhost:5000/api/mock/users?backend=openai"
```

### Симуляції обмеження швидкості

> **📖 Руководство** [Ограничення швидкості & Batching](https://github.com/scottgal/LLMApi/blob/master/docs/RATE_LIMITING_BATCHING.md)

Випробуйте, як ваша програма управляє обмеженнями швидкості:

```json
{
  "EnableRateLimiting": true,
  "RateLimitDelayRange": "500-2000"
}
```

### Симулювання помилки

```bash
# Test 429 rate limiting
curl "http://localhost:5000/api/mock/users?error=429&errorMessage=Rate%20limit%20exceeded"

# Test 503 unavailable
curl "http://localhost:5000/api/mock/users?error=503"
```

Obsługує всі коди 4xx та 5xx

### Caching реагування

```bash
# Generate and cache 10 variants
curl "http://localhost:5000/api/mock/users?shape={\"$cache\":10,\"id\":0,\"name\":\"string\"}"
```

Далішні запити отримують миттєву реакцію вキャッシュі.

## Утиціалителі тестування: переважно яскраві .mockllmapiM SK2 Тестування

> **📖 Пакет** [найбільш зрозуміле.mockllmapiM SK1 Тестування](https://github.com/scottgal/LLMApi/blob/master/mostlylucid.mockllmapi.Testing/README.md)

Всі ці характеристики чудові для розвитку,, але як щодо автоматизованого тестуванняM SK1 Помічник тестування надає плавний API, що робить тести інтеграції неважливими - конфігурувати модель поведінки декларативно і дозволити `HttpClient` зробити решту.

### Установлення

```bash
dotnet add package mostlylucid.mockllmapi.Testing
```

### Початкове використання

```csharp
using mostlylucid.mockllmapi.Testing;

// Create a client with a single endpoint configuration
var client = HttpClientExtensions.CreateMockLlmClient(
    baseAddress: "http://localhost:5116",
    pathPattern: "/users",
    configure: endpoint => endpoint
        .WithShape(new { id = 0, name = "", email = "" })
        .WithCache(5)
);

// Make requests - configuration is automatically applied
var response = await client.GetAsync("/users");
var users = await response.Content.ReadFromJsonAsync<User[]>();
```

### Багато кінцевих точок

```csharp
var client = HttpClientExtensions.CreateMockLlmClient(
    "http://localhost:5116",
    configure: handler => handler
        .ForEndpoint("/users", config => config
            .WithShape(new { id = 0, name = "", email = "" })
            .WithCache(10))
        .ForEndpoint("/posts", config => config
            .WithShape(new { id = 0, title = "", content = "", authorId = 0 })
            .WithCache(20))
        .ForEndpoint("/error", config => config
            .WithError(404, "Resource not found"))
);

// Each endpoint automatically uses its configuration
var usersResponse = await client.GetAsync("/users");
var postsResponse = await client.GetAsync("/posts");
var errorResponse = await client.GetAsync("/error"); // Returns 404
```

### Параметри налаштування

**Конфігурація форми:**

```csharp
// Using anonymous objects
.WithShape(new { id = 0, name = "", active = true })

// Using JSON strings
.WithShape("{ \"id\": 0, \"name\": \"\", \"tags\": [] }")

// Complex nested structures
.WithShape(new
{
    user = new { id = 0, name = "" },
    posts = new[] { new { id = 0, title = "" } }
})
```

**Симулювання помилок:**

```csharp
// Simple error
.WithError(404)

// With custom message
.WithError(404, "User not found")

// With details
.WithError(422, "Validation failed", "Email address is invalid")
```

**Streaming:**

```csharp
// Enable streaming with token-by-token output
.WithStreaming()
.WithSseMode("LlmTokens")

// Stream complete objects
.WithStreaming()
.WithSseMode("CompleteObjects")

// Stream array items individually
.WithStreaming()
.WithSseMode("ArrayItems")
```

### Інгекція залежності

**Введений клієнт:**

```csharp
services.AddMockLlmHttpClient<IUserApiClient>(
    baseApiPath: "/api/mock",
    configure: handler => handler
        .ForEndpoint("/users", config => config
            .WithShape(new { id = 0, name = "", email = "" }))
);
```

**Названий Client:**

```csharp
services.AddMockLlmHttpClient(
    name: "MockApi",
    baseApiPath: "/api/mock",
    configure: handler => handler
        .ForEndpoint("/data", config => config
            .WithShape(new { value = 0 }))
);

// Usage
var client = httpClientFactory.CreateClient("MockApi");
```

### До прикладу тестування інтеграції

```csharp
[Fact]
public async Task Should_Handle_User_Creation()
{
    // Arrange
    var client = HttpClientExtensions.CreateMockLlmClient(
        "http://localhost:5116",
        "/users",
        config => config
            .WithMethod("POST")
            .WithShape(new { id = 0, name = "", email = "", createdAt = "" })
    );

    // Act
    var newUser = new { name = "John Doe", email = "john@example.com" };
    var response = await client.PostAsJsonAsync("/users", newUser);

    // Assert
    response.EnsureSuccessStatusCode();
    var created = await response.Content.ReadFromJsonAsync<User>();
    Assert.NotNull(created);
    Assert.NotEqual(0, created.Id);
}

[Fact]
public async Task Should_Handle_Not_Found_Error()
{
    // Arrange
    var client = HttpClientExtensions.CreateMockLlmClient(
        "http://localhost:5116",
        "/users/999",
        config => config.WithError(404, "User not found")
    );

    // Act
    var response = await client.GetAsync("/users/999");

    // Assert
    Assert.Equal(HttpStatusCode.NotFound, response.StatusCode);
}
```

### Як це працює

І `MockLlmHttpHandler` є `DelegatingHandler` що:

1. Перехоплює вихідні HTTP-запити
2. Збігає вимоги з конфігурованими шаблонами кінцевих точок
3. Вводимо макетну конфігурацію за допомогою параметрів запиту та заголовків HTTP
4. Пересилає модифікований запит до реального mock LLM API

Це дозволяє використовувати справжні `HttpClient` в тестах, а також легко контролювати поведінку mock API без зміни коду aplikacji.

## Найкращі практики & Совети

Після роботи з цим інструментом над багатьма проектами

1. **Повсякчас використовувати контексти для потоків роботи** - Обіцяє послідовну ідентифікацію і дані впродовж багатьох кроків МSK1
2. **Використовуйте форму для безпеки типу** - Робіть так, щоб він співпадав з вашими інтерфейсами TypScript
3. **Поєднати реальні та штучні дані з інструментами** - Найкраще з обох світів
4. **Виберите правильну модель** (гляньте [Руководство по моделям Оллами](https://github.com/scottgal/LLMApi/blob/master/docs/OLLAMA_MODELS.md) для повних деталей):
   - **Рекомендовано для dev**: `ministral-3:3b` (3B-парамиM SK1  32K-контекст **KILLER для JSON!** Ультра -швидкий МSK1 високоточний МSK2 мінімальний RAM
   - **Produkція-подобна**: `llama3` (8B-парамиM SK1 8K-контекстМSK3 \- Найкращий баланс якості та продуктивності
   - **Високоякісна**: `mistral-nemo` (12B-парамиM SK1 128K-контекст) \- Комплексні схеми та масивні набори даних
   - **Ресурс-ушкоджений**: `gemma3:4b` або `phi3` - Легкі альтернативи

## Полна документація

- **[Головний репозитор](https://github.com/scottgal/LLMApi)** - Źródło та огляд
- **[Конфігурація](https://github.com/scottgal/LLMApi/blob/master/docs/CONFIGURATION_REFERENCE.md)** - Все налаштування
- **[Справка про контексти API](https://github.com/scottgal/LLMApi/blob/master/docs/API-CONTEXTS.md)** - Глубоке занурення у контекстну пам 'ять
- **[Наrzędziа & Działaння](https://github.com/scottgal/LLMApi/blob/master/docs/TOOLS_ACTIONS.md)** - Внутрішня інтеграція API
- **[Функції OpenAPI](https://github.com/scottgal/LLMApi/blob/master/docs/OPENAPI-FEATURES.md)** - Spec- - мотика на основі
- **[Поддержка gRPC](https://github.com/scottgal/LLMApi/blob/master/docs/GRPC_SUPPORT.md)** - Буфери протоколу
- **[Докерна інструкція](https://github.com/scottgal/LLMApi/blob/master/docs/DOCKER_GUIDE.md)** - Розгортання контейнерів
- **[Мільйозом чорних сторінок](https://github.com/scottgal/LLMApi/blob/master/docs/MULTIPLE_LLM_BACKENDS.md)** - Установка мультиплікатора
- **[Ограничення швидкості](https://github.com/scottgal/LLMApi/blob/master/docs/RATE_LIMITING_BATCHING.md)** - Симулювати обмеження
- **[Тестування пакету](https://github.com/scottgal/LLMApi/blob/master/mostlylucid.mockllmapi.Testing/README.md)** - HttpClient Utilities

## Завершення

Frontend development doesn’ t have to wait for backend APIs. `mostlylucid.mockllmapi` дає вам:

- **Контекстна пам 'ять** - Сpójні , статистичні дані через багатох кроків
- **Kontrolа форми** - Наскіпливі визначення схем, які відповідають вашим типам
- **Універсальна підтримка протоколу** - REST, GraphQL, gRPCM SK3 SignalRMska4 SSEMSKA5 OpenAPI
- **Гібридне тестування** - Поєднати реальні дані про виробництво з генерованими моделями
- **Нуль технічного обслуговування** - Ніяких установок JSON для оновлення при зміні требований
- **Випробовування програмного забезпечення** - Fluent API для тестів на інтеграцію

Різниця між цим і традиційним копіюванням? Ваш фронтальний інтерфейс працює проти реалістичного , контекстуально свідомих даних з першого дня МSK2 Нічого більше МСК3 це працювало з макетними даними, але не спрацювало з реальними даними М СК4 сюрпризи M СК5

Неважливо, ви будуєте простий блог чи складну корпоративну програму.

**Готові до початку?**

```bash
docker compose up -d
```

Це – МСК0, це – МSK1. Не вимагається зворотнього зв 'язку.