generate-data — команда для Claude Code: что делает и как установить
Команда generate-data создаёт тестовые наборы данных в CSV, JSON или SQL через Python-скрипт с учётом связей и распределений.
MIT ★ 28 211 обновлён 2026-10-16
/plugin marketplace add phuryn/pm-skills
/plugin install pm-execution@pm-skillsЧто делает generate-data
Команда /generate-data превращает текстовое описание сущностей или готовую схему таблицы в реалистичный набор данных. Агент разбирает типы колонок, ограничения, хронологию дат и зависимости внешних ключей. Вместо случайных строк генерируются правдоподобные имена, адреса почты и показатели активности.
Генерация идёт через исполняемый скрипт, поэтому в окружении потребуется рабочий интерпретатор Python. Скрипт сохраняется в проект вместе с готовым файлом данных в формате CSV, JSON или SQL INSERT. Вы получаете готовый файл данных и исходный код генератора для повторных запусков с новыми параметрами.
Какие задачи решает
- сгенерировать реалистичный CSV или JSON для тестов API
- наполнить тестовую базу данных через SQL INSERT
- подготовить правдоподобные демо-данные с заданным распределением пользователей
Примеры запросов агенту
- /generate-data 1000 users with names, emails, plan tier, signup date, and activity score
- /generate-data E-commerce orders dataset: products, customers, timestamps, amounts
- /generate-data Sample data matching this schema: CREATE TABLE orders (id INT, user_id INT, amount DECIMAL);
Как установить generate-data
1Через маркетплейс плагинов
/plugin marketplace add phuryn/pm-skills/plugin install pm-execution@pm-skills2Вручную: положить файлы
.claude/commands/generate-data.mdВызов — /generate-data. Для всех проектов — ~/.claude/commands/
Вручную: положить файлы
~/.codex/prompts/generate-data.mdВызов — /prompts:generate-data. В Codex этот формат помечен устаревшим, замена — скиллы
Вручную: положить файлы
.github/prompts/generate-data.prompt.mdВручную: положить файлы
.gemini/commands/generate-data.tomlGemini хранит команды в TOML: текст запроса — в поле prompt
Вопросы о generate-data
Как установить generate-data в Claude Code?
Выполните по очереди две команды: сначала добавьте каталог /plugin marketplace add phuryn/pm-skills, затем установите плагин /plugin install pm-execution@pm-skills. Также можно сохранить файл команды по пути .claude/commands/generate-data.md.
В каких форматах сохраняются данные?
Команда формирует файлы CSV, JSON, скрипты SQL INSERT или генераторы на Python.
Что нужно для работы команды generate-data?
В системе должен быть доступен Python, так как агент запускает сгенерированный скрипт для сборки результирующего файла.
Исходный текст
generate-data.md · MIT
--- description: Generate realistic dummy datasets for testing — CSV, JSON, SQL inserts, or Python scripts argument-hint: "<description of the data you need>" --- # /generate-data -- Test Data Generator Create realistic dummy datasets for development, testing, demos, or prototyping. Outputs as ready-to-use files in your preferred format. ## Invocation ``` /generate-data 1000 users with names, emails, plan tier, signup date, and activity score /generate-data E-commerce orders dataset: products, customers, timestamps, amounts /generate-data Sample data matching this schema: [paste table definition] ``` ## Workflow ### Step 1: Define the Dataset Understand: - What entities? (users, orders, events, products, etc.) - What columns? (with data types and constraints) - How many rows? - Any relationships between tables? - Any specific distributions? (e.g., "80% should be on the free plan") - Any realistic constraints? (emails should be unique, dates should be chronological) ### Step 2: Generate the Data Apply the **dummy-dataset** skill: - Create a Python script that generates the dataset - Use realistic-looking data (not random strings): proper names, valid email formats, real-seeming dates - Respect constraints: unique IDs, foreign key relationships, chronological ordering - Apply specified distributions - Execute the script and produce the output file ### Step 3: Deliver Output in the requested format (or ask): - **CSV**: Most common, works everywhere - **JSON**: For API testing or frontend development - **SQL INSERT**: For populating test databases - **Python script**: For reproducible generation (user can tweak and re-run) ``` ## Generated Dataset: [Description] **Rows**: [count] **Columns**: [list] **Format**: [CSV / JSON / SQL / Python] ### Schema | Column | Type | Constraints | Distribution | |--------|------|-----------|-------------| ### Sample (first 5 rows) [Preview of the data] ### Files - [data file] - [generator script, if applicable] ``` Save data file and generator script to the user's workspace. ### Step 4: Offer Follow-ups - "Want me to **add more columns** or **increase the dataset size**?" - "Should I **create related tables** (e.g., orders for these users)?" - "Want me to **write test scenarios** that use this data?" - "Should I **create SQL queries** to analyze this dataset?" ## Notes - Always provide the generator script so the user can regenerate with different parameters - For demo datasets, make the data tell a story (e.g., seasonal trends, a retention problem, a power user segment) - Respect realistic cardinality: 1000 users don't have 1000 unique cities - For financial data, use realistic price distributions — not uniform random - Never include real personal data — all names, emails, and identifiers must be fake
© Paweł Huryn · MIT · phuryn/pm-skills