ln-723 种子数据生成器：多语言ORM模式解析与智能测试数据生成工具

ln-723-seed-data-generator by levnikolaevich/claude-code-skills

137 周安装量

245 GitHub Stars

安装命令

npx skills add https://github.com/levnikolaevich/claude-code-skills --skill ln-723-seed-data-generator

🇨🇳中文介绍

路径说明： 文件路径（shared/、references/、../ln-*）是相对于技能仓库根目录的。如果在当前工作目录中未找到，请定位此 SKILL.md 文件所在的目录，然后向上返回一级以找到仓库根目录。如果缺少 shared/ 目录，请通过 WebFetch 从 https://raw.githubusercontent.com/levnikolaevich/claude-code-skills/master/skills/{path} 获取文件。

ln-723-种子数据生成器

类型： L3 工作者 类别： 7XX 项目引导 父级： ln-720-结构迁移器

通用的种子数据生成器，具有两种模式：MIGRATE（解析现有 ORM 模式）或 GENERATE（根据实体定义创建）。输出到任何目标格式（C#、TypeScript、Python、JSON、SQL）。

目的与范围

广告位招租

在这里展示您的产品或服务

触达数万 AI 开发者，精准高效

联系我们

模式	适用时机	输入	来源
MIGRATE	TRANSFORM 流水线 — 发现现有 ORM 模式	ORM 模式文件	Drizzle、Prisma、TypeORM、EF Core、SQLAlchemy、Django ORM
GENERATE	CREATE 流水线 — 没有现有模式	来自 ln-700 阶段 0 的实体列表	用户提供或起始模板（User、Role）

格式	输出文件	伪造库	用例
C# MockData	`MockData.cs`	Bogus	.NET 项目
TypeScript 夹具	`seed.ts`	Faker.js	Node/React 项目
Python 工厂	`factories.py`	Faker (Python)	Django/Flask 项目
JSON	`seed.json`	—	API 测试、导入脚本
SQL	`seed.sql`	—	直接数据库播种

阶段	名称	操作	输出
1	解析/定义	1A：解析 ORM 模式（MIGRATE）或 1B：接受实体列表（GENERATE）	实体模型
2	映射类型	应用通用类型映射到目标格式	目标类型定义
3	生成种子数据	使用基于伪造库的逼真数据创建种子文件	种子数据文件
4	验证	验证关系，检查语法	有效的种子文件

阶段 1：解析/定义

1A：MIGRATE 模式 — 解析 ORM 模式

步骤	操作	参考
1A.1	定位模式文件	—
1A.2	自动检测 ORM 类型	`orm_patterns.md` — ORM 自动检测表
1A.3	提取表/模型定义	`orm_patterns.md` — 每个 ORM 的解析部分
1A.4	提取带有类型的列定义	`orm_patterns.md`
1A.5	识别约束（主键、外键、可空、唯一）	`orm_patterns.md`
1A.6	提取枚举定义	`orm_patterns.md`

1B：GENERATE 模式 — 接受实体定义

步骤	操作	参考
1B.1	从编排器接收实体列表（或使用起始模板）	—
1B.2	解析实体定义（名称、字段、类型）	—
1B.3	根据字段名推断关系（`userId` → 指向 User 的外键）	`relationship_mapping.md`
1B.4	应用默认约束（id = 主键，`*Id` = 外键）	—

输出： 包含列、类型和约束的实体模型。

阶段 2：映射类型

将实体类型转换为目标格式类型。

步骤	操作	参考
2.1	选择目标格式（来自编排器参数）	—
2.2	将列类型映射到目标格式	`type_mapping.md` — 通用类型映射表
2.3	确定每个目标的可空状态	`type_mapping.md`
2.4	映射外键和关系	`relationship_mapping.md`
2.5	将名称转换为目标命名约定	参见下面的命名约定表

按目标划分的命名约定：

目标	类/模型	属性/字段	文件
C#	PascalCase 单数	PascalCase	PascalCase.cs
TypeScript	PascalCase 单数	camelCase	camelCase.ts
Python	PascalCase 单数	snake_case	snake_case.py
JSON	camelCase	camelCase	kebab-case.json
SQL	snake_case 复数	snake_case	snake_case.sql

阶段 3：生成种子数据

使用伪造库创建包含逼真数据的种子文件。

步骤	操作	参考
3.1	确定生成顺序（父级 → 子级）	`relationship_mapping.md`
3.2	为所有实体生成 ID（GUID/UUID）	`data_generation.md`
3.3	使用伪造库生成字段值	`data_generation.md`、`type_mapping.md` — 伪造库集成
3.4	确保外键关系有效（子级引用已存在的父级 ID）	`relationship_mapping.md`
3.5	以目标格式写入种子文件	—

伪造库集成规则： 所有生成的种子文件必须使用伪造库来生成逼真数据，并采用确定性播种（固定的种子值以确保可重现性）。

目标	伪造库设置
C#	`var faker = new Bogus.Faker(); Randomizer.Seed = new Random(42);`
TypeScript	`import { faker } from '@faker-js/faker'; faker.seed(42);`
Python	`from faker import Faker; fake = Faker(); Faker.seed(42)`

按依赖关系排序的生成顺序：

顺序	实体类型	生成时机
1	根实体（无外键）	首先
2	第一级子实体	父实体存在后
3	第二级子实体	祖父实体存在后
N	最深层的子实体	所有祖先实体存在后

检查项	方法	预期结果
语法有效	特定语言检查	无语法错误
外键有效	交叉引用	所有外键指向已存在的 ID
类型正确	类型分析	目标格式的类型正确
名称遵循约定	模式检查	符合目标命名约定
伪造库确定性	使用相同种子重新运行	输出相同

支持的 ORM 检测

ORM	检测模式	生态系统
Drizzle	`pgTable()`、`mysqlTable()`、`sqliteTable()`	Node.js
Prisma	`.prisma` 文件中的 `model X {` 语法	Node.js
TypeORM	`@Entity()`、`@Column()` 装饰器	Node.js
EF Core	`DbContext`、`DbSet<>`、`[Table]` 属性	.NET
SQLAlchemy	`Base = declarative_base()`、`Column()`	Python
Django ORM	`models.Model`、`models.CharField()`	Python

源	目标	转换
表名（复数，snake_case）	类名（单数，PascalCase）	`user_profiles` → `UserProfile`
列名（snake_case）	属性名（目标约定）	`created_at` → `CreatedAt` / `createdAt` / `created_at`
枚举名	枚举类型（PascalCase）	`status_enum` → `StatusEnum`
外键列	导航属性	`user_id` → `UserId` / `userId`

字段类型	示例数量	分布
根实体	3-5 项	不同的状态/优先级
子实体	5-10 项	分布在父实体之间
叶子实体	10-20 项	逼真的多样性

单一职责： 仅生成种子数据，不生成 ORM 模型或迁移
幂等性： 可以使用相同种子重新运行以产生相同的输出
有效关系： 所有外键必须引用已存在的父级 ID
必须使用伪造库： 使用伪造库生成逼真数据，绝不使用随机字符串
确定性播种： 固定的种子值（42）以确保跨重新运行的可重现性
生成顺序： 始终先父级后子级
模式意识： MIGRATE 解析文件；GENERATE 接受定义 — 绝不混合

模式已确定（MIGRATE 或 GENERATE）
实体模型已提取/定义，包含所有字段和约束
目标格式已选择且类型映射已应用
种子数据文件已生成，包含基于伪造库的逼真值
确定性播种已验证（重新运行产生相同输出）
外键引用有效的父级 ID
名称遵循目标格式约定
示例数据包含每个实体 5-10 项

风险	检测	缓解措施
未知 ORM 类型	自动检测失败	记录警告，向编排器请求 ORM 提示
无效的类型映射	未知列类型	使用字符串作为后备，记录警告
外键不匹配	外键引用不存在的 ID	先生成父级，之后验证
GENERATE 模式无实体列表	输入为空	使用起始模板（User、Role）
名称冲突	重复的类/表名	使用功能名称作为前缀
循环引用	带有循环的自引用	限制深度，验证图结构

文件	用途
`references/orm_patterns.md`	ORM 自动检测和模式解析模式（Drizzle、Prisma、TypeORM、EF Core、SQLAlchemy、Django）
`references/type_mapping.md`	通用类型映射（ORM 无关 → C#、TypeScript、Python）+ 伪造库集成
`references/data_generation.md`	逼真示例数据模式和生成规则
`references/relationship_mapping.md`	外键处理、生成顺序、关系推断

版本： 3.0.0 最后更新： 2026-02-07

🇺🇸English

Paths: File paths (shared/, references/, ../ln-*) are relative to skills repo root. If not found at CWD, locate this SKILL.md directory and go up one level for repo root. If shared/ is missing, fetch files via WebFetch from https://raw.githubusercontent.com/levnikolaevich/claude-code-skills/master/skills/{path}.

ln-723-seed-data-generator

Type: L3 Worker Category: 7XX Project Bootstrap Parent: ln-720-structure-migrator

Universal seed data generator with two modes: MIGRATE (parse existing ORM schemas) or GENERATE (create from entity definitions). Outputs to any target format (C#, TypeScript, Python, JSON, SQL).

Purpose & Scope

Aspect	Description
Input	ORM schema files (MIGRATE) or entity list (GENERATE)
Output	Seed data files in target format
Modes	MIGRATE: parse existing ORM → seed data. GENERATE: entity definitions → seed data

Scope boundaries:

Parses ORM schema definitions or accepts entity lists
Generates seed data in requested target format
Creates realistic sample data using faker libraries
Does not generate database migrations, EF Core configs, or ORM models

Mode Selection

Mode	When	Input	Source
MIGRATE	TRANSFORM pipeline — existing ORM schemas found	ORM schema files	Drizzle, Prisma, TypeORM, EF Core, SQLAlchemy, Django ORM
GENERATE	CREATE pipeline — no existing schemas	Entity list from ln-700 Phase 0	User-provided or starter template (User, Role)

If GENERATE mode receives no entity list, generate starter template with User (id, name, email, role, createdAt) and Role (id, name, description).

Target Formats

Format	Output File	Faker Library	Use Case
C# MockData	`MockData.cs`	Bogus	.NET projects
TypeScript fixtures	`seed.ts`	Faker.js	Node/React projects
Python factories	`factories.py`	Faker (Python)	Django/Flask projects
JSON	`seed.json`	—	API testing, import scripts
SQL

Workflow

Phase	Name	Actions	Output
1	Parse/Define	1A: Parse ORM schema (MIGRATE) or 1B: Accept entity list (GENERATE)	Entity model
2	Map Types	Apply universal type mapping to target format	Target type definitions
3	Generate Seed Data	Create seed files with faker-based realistic data	Seed data files
4	Verify	Validate relationships, check syntax	Valid seed files

Phase 1: Parse/Define

1A: MIGRATE Mode — Parse ORM Schema

Step	Action	Reference
1A.1	Locate schema file(s)	—
1A.2	Auto-detect ORM type	`orm_patterns.md` — ORM Auto-Detection table
1A.3	Extract table/model definitions	`orm_patterns.md` — per-ORM parsing section
1A.4	Extract column definitions with types	`orm_patterns.md`
1A.5	Identify constraints (PK, FK, nullable, unique)	`orm_patterns.md`
1A.6

1B: GENERATE Mode — Accept Entity Definitions

Step	Action	Reference
1B.1	Receive entity list from orchestrator (or use starter template)	—
1B.2	Parse entity definitions (name, fields, types)	—
1B.3	Infer relationships from field names (`userId` → FK to User)	`relationship_mapping.md`
1B.4	Apply default constraints (id = PK, `*Id` = FK)	—

Output: Entity model with columns, types, and constraints.

Phase 2: Map Types

Convert entity types to target format types.

Step	Action	Reference
2.1	Select target format (from orchestrator params)	—
2.2	Map column types to target format	`type_mapping.md` — Universal Type Mapping table
2.3	Determine nullable status per target	`type_mapping.md`
2.4	Map foreign keys and relationships	`relationship_mapping.md`
2.5	Transform names to target convention	See Name Conventions table below

Name Conventions by Target:

Target	Class/Model	Property/Field	File
C#	PascalCase singular	PascalCase	PascalCase.cs
TypeScript	PascalCase singular	camelCase	camelCase.ts
Python	PascalCase singular	snake_case	snake_case.py
JSON	camelCase	camelCase	kebab-case.json
SQL	snake_case plural	snake_case	snake_case.sql

Phase 3: Generate Seed Data

Create seed files with realistic data using faker libraries.

Step	Action	Reference
3.1	Determine generation order (parents → children)	`relationship_mapping.md`
3.2	Generate IDs (GUIDs/UUIDs) for all entities	`data_generation.md`
3.3	Generate field values using faker	`data_generation.md`, `type_mapping.md` — Faker Integration
3.4	Ensure FK relationships valid (child references existing parent ID)	`relationship_mapping.md`

Faker integration rule: All generated seed files MUST use faker libraries for realistic data with deterministic seeding (fixed seed value for reproducibility).

Target	Faker Setup
C#	`var faker = new Bogus.Faker(); Randomizer.Seed = new Random(42);`
TypeScript	`import { faker } from '@faker-js/faker'; faker.seed(42);`
Python	`from faker import Faker; fake = Faker(); Faker.seed(42)`

Generation order by dependency:

Order	Entity Type	Generate After
1	Root entities (no FK)	First
2	First-level children	Parents exist
3	Second-level children	Grandparents exist
N	Deepest children	All ancestors exist

Phase 4: Verify

Check	Method	Expected
Syntax valid	Language-specific check	No syntax errors
FKs valid	Cross-reference	All FKs point to existing IDs
Types correct	Type analysis	Proper types for target format
Names follow convention	Pattern check	Per-target naming convention
Faker deterministic	Re-run with same seed	Identical output

Supported ORM Detection

ORM	Detection Pattern	Ecosystem
Drizzle	`pgTable()`, `mysqlTable()`, `sqliteTable()`	Node.js
Prisma	`model X {` syntax in `.prisma` files	Node.js
TypeORM	`@Entity()`, `@Column()` decorators	Node.js

Entity Transformation Rules

Source	Target	Transformation
Table name (plural, snake)	Class name (singular, Pascal)	`user_profiles` → `UserProfile`
Column name (snake)	Property name (target convention)	`created_at` → `CreatedAt` / `createdAt` / `created_at`
Enum name	Enum type (Pascal)	`status_enum` →

Sample Data Guidelines

Field Type	Sample Count	Distribution
Root entities	3-5 items	Varied status/priority
Child entities	5-10 items	Distributed across parents
Leaf entities	10-20 items	Realistic variety

Critical Rules

Single Responsibility: Generate only seed data, no ORM models or migrations
Idempotent: Can re-run with same seed to produce identical output
Valid Relationships: All FKs must reference existing parent IDs
Faker Required: Use faker libraries for realistic data, never random strings
Deterministic Seeding: Fixed seed value (42) for reproducibility across re-runs
Generation Order: Parents before children, always
Mode Awareness: MIGRATE parses files; GENERATE accepts definitions — never mix

Definition of Done

Mode determined (MIGRATE or GENERATE)
Entity model extracted/defined with all fields and constraints
Target format selected and type mappings applied
Seed data files generated with faker-based realistic values
Deterministic seeding verified (re-run produces identical output)
Foreign keys reference valid parent IDs
Names follow target format conventions
Sample data includes 5-10 items per entity

Risk Mitigation

Risk	Detection	Mitigation
Unknown ORM type	Auto-detection fails	Log warning, ask orchestrator for ORM hint
Invalid type mapping	Unknown column type	Use string as fallback, log warning
FK mismatch	FK references non-existent ID	Generate parents first, validate after
No entity list in GENERATE	Empty input	Use starter template (User, Role)
Name collision	Duplicate class/table names	Prefix with feature name
Circular references	Self-referencing with cycles	Limit depth, validate graph

Reference Files

File	Purpose
`references/orm_patterns.md`	ORM auto-detection and schema parsing patterns (Drizzle, Prisma, TypeORM, EF Core, SQLAlchemy, Django)
`references/type_mapping.md`	Universal type mapping (ORM-agnostic → C#, TypeScript, Python) + Faker integration
`references/data_generation.md`	Realistic sample data patterns and generation rules
`references/relationship_mapping.md`	FK handling, generation order, relationship inference

Version: 3.0.0 Last Updated: 2026-02-07

Weekly Installs

137

Repository

levnikolaevich/…e-skills

GitHub Stars

245

First Seen

Feb 7, 2026

Security Audits

Gen Agent Trust HubPass SocketPass SnykWarn

Installed on

opencode128

codex127

gemini-cli127

cursor127

github-copilot126

claude-code126

Skills CLI 使用指南：AI Agent 技能包管理器安装与管理教程

36,300 周安装

输入	ORM 模式文件（MIGRATE 模式）或实体列表（GENERATE 模式）
输出	目标格式的种子数据文件
模式	MIGRATE：解析现有 ORM → 种子数据。GENERATE：实体定义 → 种子数据