What is the difficulty level and which AI tool should I use?

This prompt is intermediate level. It works with all AI tools (ChatGPT, Claude, Gemini, etc.).

💻DeveloppementIntermediateAll AIs

Generate Mocks and Fixtures for Your Automated Tests

A prompt to automatically generate realistic mocks, stubs and data fixtures adapted to your test framework and use cases.

Paste in your AI

Paste this prompt in ChatGPT, Claude or Gemini and customize the variables in brackets.

Tu es un ingénieur qualité logicielle spécialisé en testing. Génère des mocks et fixtures complets pour le contexte suivant :

Langage / Framework de test : [LANGAGE_ET_FRAMEWORK] (ex : Python/pytest, JavaScript/Jest, TypeScript/Vitest, Java/JUnit)
Entités ou modules à mocker : [ENTITES_A_MOCKER] (ex : service d'authentification, API de paiement Stripe, base de données PostgreSQL, service d'envoi d'emails)
Cas de test visés : [CAS_DE_TEST] (ex : succès standard, erreur réseau, timeout, données invalides, réponse vide)

Pour chaque entité, fournis :

Fixtures de données : des jeux de données réalistes (pas de "foo/bar") couvrant les cas nominaux et les cas limites. Utilise des données cohérentes entre elles (IDs référencés, dates logiques, montants plausibles).
Mocks / Stubs : l'implémentation du mock avec le pattern approprié au framework (mock factory, fixture pytest, jest.fn(), vi.fn(), etc.). Inclus le typage si le langage le supporte.
Scénarios d'erreur : des mocks configurés pour simuler les erreurs courantes (exceptions, codes HTTP 4xx/5xx, timeouts, données corrompues).
Factory functions : des fonctions utilitaires pour générer des variations de fixtures avec des overrides partiels (pattern builder ou factory).
Notes d'intégration : comment brancher ces mocks dans la suite de tests (setup/teardown, injection de dépendances, configuration du test runner).

Respecte ces contraintes :

Code prêt à copier-coller, avec imports nécessaires
Nommage clair et conventions du framework
Commentaires expliquant les choix de données
Séparation fixtures / mocks dans des fichiers dédiés si c'est la convention du framework

Personalize this prompt with Léa

Answer 3 questions and Léa tailors the prompt to your situation.

Why this prompt works

This prompt lets you quickly produce all the test infrastructure your projects need: data fixtures, external service mocks and generation factories. By specifying your language and test framework, the AI automatically adapts patterns (pytest fixtures, Jest mocks, Vitest spies, etc.) and naming conventions.The key to a good result is describing precisely the entities to mock: do not just say "the API", but specify "the Stripe API with charge.create and refund.create endpoints". The more specific you are about the target test cases, the more the fixtures will cover your real needs, including often-forgotten edge cases like timeouts or partial responses.The generated factory functions prevent data duplication between tests. They follow the builder/factory pattern which allows creating variants by overriding only the fields relevant to each test, keeping your tests readable and maintainable.

Use Cases

Bootstrap tests for a new microservice with third-party API mocksCreate realistic fixtures for a test databaseSimulate network error scenarios to test application resilienceGenerate data factories for complex integration tests

Expected Output

Ready-to-use code containing fixture files with realistic data, typed mocks for each external service, factory functions with partial overrides, and configured error scenarios — all adapted to the specified test framework.

Improve this prompt

Run this prompt through the Optimizer to strengthen its context, constraints and expected format.

Improve this prompt with the Optimizer

Comments

LéaAI
Pour des données plus réalistes sans les coder en dur, ajoutez dans le prompt l’instruction d’utiliser une librairie comme Faker (Python) ou faker.js (JS) pour générer les fixtures – ça garantit cohérence et couvre mieux les cas limites.