作为一个写了多年 TypeScript 的前端开发者，我在用 LangChain.js 构建 Agent 时，最大的痛苦不是逻辑复杂，而是类型系统的缺失。每次调用 agent.call()，返回值都是 any。每次定义工具，输入输出的类型都是手动断言。每次写工作流，步骤之间的数据传递全靠祈祷。直到我遇到了 Mastra——一个 TypeScript 原生的 AI Agent 框架，26K Star，专为前端开发者设计。

为什么 TypeScript 需要自己的 Agent 框架？

这个问题很关键。Python 有 LangChain（72K Star）、CrewAI（25K Star）、AutoGen（38K Star），生态已经很成熟了。为什么 TypeScript 还需要自己的框架？

答案很简单：前端和后端的 Agent 应用场景不同。Python 的 Agent 框架擅长数据处理、模型训练、批量推理。但如果你要构建一个在 Next.js 里运行的 Agent 应用——一个需要实时流式响应、需要在浏览器端渲染、需要跟 React 状态管理集成的应用——Python 框架就力不从心了。

更关键的是类型安全。TypeScript 的类型系统不仅仅是"代码补全"，它是编译时的正确性保证。当你的 Agent 定义了 10 个工具，每个工具有不同的输入输出，如果类型不匹配，编译器会在你运行之前就告诉你。这在生产环境中是救命的。

核心架构：五大模块，浑然一体

Mastra 的架构围绕五个核心概念构建：

1. Agents — 智能体

Agent 是 Mastra 的核心抽象。一个 Agent 有模型、系统提示、工具集、记忆等属性。但跟其他框架不同的是，Mastra 的 Agent 定义是完全类型安全的：

import { Agent } from '@mastra/core/agent';
import { openai } from '@ai-sdk/openai';

const assistant = new Agent({
  name: 'customer-support',
  model: openai('gpt-4o'),
  instructions: '你是一个专业的客户服务助手。',
  tools: {
    searchKnowledge: searchKnowledgeTool,
    createTicket: createTicketTool,
    getOrderStatus: getOrderStatusTool,
  },
});

// 类型安全的调用 — 返回值有完整的类型推断
const response = await assistant.generate(
  '我的订单 #12345 什么时候发货？'
);
console.log(response.text); // TypeScript 知道这里一定是 string

2. Workflows — 工作流

这是 Mastra 最强大的功能之一。工作流让你把多个步骤串联起来，每个步骤之间的数据传递是类型安全的：

import { Workflow, Step } from '@mastra/core/workflows';

const researchWorkflow = new Workflow({
  name: 'content-research',
  triggerSchema: z.object({
    topic: z.string(),
    depth: z.enum(['quick', 'thorough']),
  }),
})
  .step('search', {
    execute: async ({ context }) => {
      const results = await searchWeb(context.trigger.topic);
      return { sources: results }; // 返回类型自动推断
    },
  })
  .step('analyze', {
    execute: async ({ context }) => {
      // context.steps.search.sources 是类型安全的
      const analysis = await llm.analyze(context.steps.search.sources);
      return { summary: analysis };
    },
  })
  .step('write', {
    execute: async ({ context }) => {
      // context.steps.analyze.summary 是类型安全的
      const article = await llm.write(context.steps.analyze.summary);
      return { content: article };
    },
  })
  .commit();

3. Tools — 工具调用

Mastra 的工具定义使用 Zod schema，天然类型安全：

import { createTool } from '@mastra/core/tools';
import { z } from 'zod';

const weatherTool = createTool({
  id: 'get-weather',
  description: '获取指定城市的天气信息',
  inputSchema: z.object({
    city: z.string().describe('城市名称'),
    unit: z.enum(['celsius', 'fahrenheit']).default('celsius'),
  }),
  outputSchema: z.object({
    temperature: z.number(),
    condition: z.string(),
    humidity: z.number(),
  }),
  execute: async ({ context }) => {
    const data = await fetchWeather(context.city, context.unit);
    return {
      temperature: data.temp,
      condition: data.condition,
      humidity: data.humidity,
    };
  },
});

4. Memory — 记忆系统

Mastra 内置了记忆系统，支持短期记忆（对话历史）和长期记忆（用户偏好、知识积累）：

import { Memory } from '@mastra/memory';

const memory = new Memory({
  // 短期记忆：最近 20 条对话
  lastMessages: 20,
  // 长期记忆：基于语义搜索
  semanticRecall: {
    topK: 5,
    messageRange: 2,
  },
  // 工作记忆：结构化的用户偏好
  workingMemory: {
    enabled: true,
    template: `
      <user>
        <name></name>
        <preferences></preferences>
        <context></context>
      </user>
    `,
  },
});

5. MCP — Model Context Protocol

Mastra 原生支持 Anthropic 的 MCP 协议，可以无缝接入 MCP 服务器提供的工具：

import { MCPClient } from '@mastra/mcp';

const mcp = new MCPClient({
  servers: {
    filesystem: {
      command: 'npx',
      args: ['-y', '@modelcontextprotocol/server-filesystem', '/path'],
    },
    github: {
      command: 'npx',
      args: ['-y', '@modelcontextprotocol/server-github'],
      env: { GITHUB_TOKEN: process.env.GITHUB_TOKEN },
    },
  },
});

// 自动发现并注册 MCP 工具
const mcpTools = await mcp.getTools();
const agent = new Agent({
  name: 'dev-assistant',
  model: openai('gpt-4o'),
  tools: { ...mcpTools },
});

跟 Vercel AI SDK / LangChain.js 的对比

Vercel AI SDK vs Mastra

Vercel AI SDK（约 15K Star）是一个很好的 AI 工具库，但它更偏向于UI 层的集成——streaming、useChat hook、RSC 等。它没有内置的工作流编排、记忆系统、MCP 支持。Mastra 的定位是全栈 Agent 框架，从 Agent 定义到工作流编排到部署，一条龙。如果你只需要在 Next.js 里调用 LLM，Vercel AI SDK 够用；如果你要构建复杂的 Agent 应用，Mastra 更合适。

LangChain.js vs Mastra

LangChain.js 是 Python LangChain 的移植版，它的问题很明显：不是 TypeScript 原生的。类型推断差、API 设计受 Python 风格影响、跟 Next.js 生态集成不好。Mastra 从头开始用 TypeScript 设计，Zod schema、类型推断、模块化架构都是 TypeScript 风格的。如果你是 TypeScript 开发者，Mastra 的开发体验好一个量级。

Next.js 集成：一等公民

Mastra 跟 Next.js 的集成做到了"一等公民"级别：

// app/api/chat/route.ts
import { mastra } from '@/mastra';

export async function POST(req: Request) {
  const { message } = await req.json();
  const agent = mastra.getAgent('customer-support');

  const stream = await agent.stream(message);

  return stream.toDataStreamResponse();
}

// app/page.tsx (客户端)
'use client';
import { useChat } from 'ai/react';

export default function Chat() {
  const { messages, input, handleInputChange, handleSubmit } = useChat({
    api: '/api/chat',
  });

  return (
    <div>
      {messages.map(m => (
        <div key={m.id}>{m.content}</div>
      ))}
      <form onSubmit={handleSubmit}>
        <input value={input} onChange={handleInputChange} />
      </form>
    </div>
  );
}

注意：Mastra 的 stream 可以直接转换为 Vercel AI SDK 的 data stream 格式，两者可以共存，不是非此即彼的关系。

实际使用体验：我迁移了一个 LangChain.js 项目

我有一个用 LangChain.js 写的客服 Agent，功能包括：多轮对话、工具调用（查询订单、创建工单）、RAG 检索知识库。迁移到 Mastra 后，我的感受是：

迁移过程大约花了半天，主要是重新定义工具和工作流。Mastra 的文档很清晰，迁移指南也有，但有些边缘场景（比如自定义 model provider）的文档还不够完善。

局限性

公平地说，Mastra 也有一些不足：

谁应该用 Mastra？

Mastra 最适合这些人：

26K Star 说明 TypeScript 社区对它的认可。如果你是前端开发者，想构建 Agent 应用，Mastra 是 2026 年最好的选择。

🔗 GitHub: mastra-ai/mastra  |  官网: mastra.ai