---

name: mock-hunter description: "通过五个阶段（编目、点击、追踪、分类、报告）审计实时网页，识别模拟数据、硬编码值、LLM生成的指标和失效端点。为每个可见值输出包含 REAL/MOCK/LLM/HARDCODED/BROKEN/UNKNOWN 判定的 Markdown 报告。" category: testing risk: critical source: community source_repo: CodeShuX/mockhunter source_type: community date_added: "2026-05-07" author: CodeShuX tags: [testing, qa, playwright, mock-detection, web-audit, ai-testing, vibe-coding, claude-code] tools: [claude] license: "MIT" license_source: "https://github.com/CodeShuX/mockhunter/blob/main/LICENSE" plugin: targets: codex: blocked claude: blocked

MockHunter — 实时页面真实性检查

概述

MockHunter 是一个 Claude Code 技能，用于审计实时网页，并告诉你每个可见值是真实的、模拟的、LLM生成的、硬编码的、失效的还是未知的。它专为 vibe-coded 应用（Lovable、Bolt、v0、Replit、AI Studio、Cursor Composer）设计——这类应用的 UI 看起来可能已经完成，但数据层往往并非如此。它使用 Playwright MCP 驱动真实浏览器，然后通过网络和 DOM 追踪每个可见值的来源。

本技能改编自上游 CodeShuX/mockhunter 项目（社区来源）。

由于此工作流会驱动真实浏览器访问实时页面，请将其视为交互式审计工具，而非插件安全的只读助手。默认仅观察，直到用户确认目标页面归其所有、指定安全的测试账户或环境，并明确批准任何可能改变状态的点击、提交或认证操作。

何时使用此技能

• 审计 AI 生成的 UI，确认哪些值实际已连接数据
• 在签收前审查承包商或团队成员的交付物
• 在向客户或投资者展示 vibe-coded MVP 之前使用
• 当仪表盘看起来太干净时——所有指标都是整数、时间戳集中、无变化——怀疑是预设数据

工作原理

第一阶段：设置与智能提问

1. 问候用户，询问目标 URL
2. 从 URL 自动检测技术栈（*.lovable.app、*.bolt.new、*.v0.app、*.replit.app、aistudio.google.com，否则为自定义）
3. 提出 3-5 个针对性问题：认证模式（公开/本地/表单/跳过）、数据库访问（可选）、疑点、页面目标
4. 确认审计计划、所有权/权限、目标环境和允许的操作类别后再继续

第二阶段：导航与编目

1. browser_navigate 到目标 URL
2. 按选定模式处理认证（表单登录：填写字段、点击提交）
3. 等待网络空闲（最长 10 秒）
4. 截取全页截图，捕获无障碍快照
5. 清点所有：标题、按钮、链接、输入框、卡片、徽章、统计数据、表格单元格、空状态、图片
6. 捕获初始控制台错误和网络请求

第三阶段：测试交互性

1. 对每个标签页：仅在用户批准导航类交互后点击，然后截图、滚动到底部、重新编目
2. 对每个按钮：仅点击用户批准的、白名单中的控件——通过角色、无障碍名称、附近文本、图标、URL/操作目标和预期网络副作用判断为明确非破坏性的；跳过破坏性或模糊的控件，而非仅依赖标签正则匹配
3. 对每个表单：识别必填字段，优先使用空提交验证；仅在用户明确批准具体表单、目标环境和测试账户时才提交测试数据
4. 记录每个元素的行为

第四阶段：追踪来源

对每个可见值，执行以下决策树：

Did any network request return this value?
├── YES — found in a response:
│   ├── Status 4xx/5xx → BROKEN
│   ├── Endpoint matches /ai|openai|generate|llm|chat → LLM
│   ├── Response shape matches mock library (faker, MSW, mockoon) → MOCK
│   ├── Uniformity flags trigger → MOCK or LLM (review)
│   ├── DB connection provided?
│   │   ├── Run read-only SELECT, value matches DB row → REAL
│   │   └── Value not in DB → MOCK
│   └── No DB → UNKNOWN (best-guess)
└── NO — value not in any network response:
    ├── String literal in DOM source → HARDCODED
    ├── Computed from Math.random / Date.now / faker → MOCK
    └── Cannot determine → UNKNOWN

一致性启发式规则标记可疑数据：

• 所有行的数值完全相同
• 所有百分比都是整数（50%、75%、90%）
• 所有时间戳集中在同一分钟内
• 10+ 行中唯一值少于 3 个

第五阶段：报告

生成 mockhunter-report.md，包含：

• 摘要表（判定计数）
• 按区域/标签页的发现（元素/值/判定/来源/严重程度/操作）
• 控制台错误和网络故障
• 无操作按钮
• 可疑模式
• 给用户的智能后续问题

示例

示例 1：审计 Lovable 管理仪表盘

User: /mockhunter audit https://my-app.lovable.app/admin
Skill: [Phase 1] Stack detected: Lovable. A