Mastra AI 框架

你是否曾经希望有一个完整的TypeScript框架来构建AI应用，包含智能代理、工作流、RAG、评估等所有核心功能？今天要介绍的开源项目Mastra AI框架，正是为了实现这个目标而设计的。它是一个基于TypeScript的AI应用开发框架，提供LLM模型集成、智能代理、工具系统、可视化工作流、RAG知识库增强、第三方集成及自动化评估等核心功能。

项目基本信息

一、项目介绍

Mastra是一个基于现代TypeScript技术栈构建AI驱动应用和智能体的框架。它包含从早期原型到生产级应用所需的一切，可与React、Next.js和Node等前后端框架集成，也可以作为独立服务器部署在任何地方。

Mastra的核心功能包括：

• 模型路由：连接40+服务提供商
• 智能体：构建自主AI代理
• 工作流：基于图的工作流引擎
• 人在回路：暂停等待用户输入
• 上下文管理：对话历史和语义记忆
• 集成能力：与React、Next.js集成
• MCP服务器：暴露结构化资源
• 生产必备：内置评估和可观测性

二、核心优势

完整框架

从原型到生产所需的一切。

多模型支持

连接OpenAI、Anthropic、Gemini等40+提供商。

工作流引擎

基于图的工作流，支持串行、分支、并行。

类型安全

基于TypeScript，完整类型定义。

MCP原生

支持开发MCP服务器。

三、适用场景

AI应用开发

构建智能客服、内容生成等AI应用。

智能代理开发

创建自主决策的AI代理。

工作流自动化

编排复杂多步骤流程。

RAG应用

构建知识库增强的问答系统。

四、安装教程

系统要求

安装步骤

快速开始：

npm create mastra@latest

按照CLI向导完成项目初始化。

手动安装

git clone https://github.com/mastra-ai/mastra.git
cd mastra
npm install

五、核心概念

智能体

使用LLM和工具解决开放性任务的自主代理。

工作流

基于图的工作流引擎，支持：

• .then()：串行执行
• .branch()：条件分支
• .parallel()：并行执行

人在回路

暂停智能体或工作流，等待用户输入或批准后继续。

MCP服务器

通过MCP接口暴露智能体、工具等结构化资源。

六、使用示例

示例1：创建智能体

import { Agent } from '@mastra/core';

const agent = new Agent({
  name: 'assistant',
  model: 'openai/gpt-4',
  instructions: '你是一个有用的助手',
});

示例2：创建工作流

import { Workflow } from '@mastra/core';

const workflow = new Workflow()
  .step('fetch', fetchData)
  .then('process', processData)
  .branch('validate', validateData)
  .parallel(['save', 'notify']);

示例3：集成到Next.js

import { Mastra } from '@mastra/core';

const mastra = new Mastra({
  agents: [agent],
  workflows: [workflow],
});

七、MCP支持

Mastra支持开发MCP服务器：

• 通过@mastra/mcp-docs-server学习
• 暴露智能体、工具等资源
• 任何支持MCP的系统均可访问

八、常见问题

问题1：模型连接失败

解决方案：检查API密钥和模型配置。

问题2：工作流执行顺序

解决方案：使用.then()、.branch()、.parallel()控制。

问题3：人在回路如何工作

解决方案：工作流会暂停并等待用户输入。

问题4：TypeScript版本

解决方案：需要TypeScript 5.0+。

问题5：与Next.js集成

解决方案：Mastra原生支持Next.js。

九、总结

Mastra是一个完整的TypeScript AI应用开发框架，提供智能体、工作流、RAG、评估等核心功能。

这个项目的最大价值在于：

1. 完整框架：从原型到生产
2. 多模型支持：40+提供商
3. 工作流引擎：复杂流程编排
4. 类型安全：TypeScript原生
5. MCP原生：支持MCP服务器开发

如果你需要构建生产级AI应用，Mastra是一个非常强大的框架选择。