Mastra 评测：TypeScript 原生的 AI Agent 框架香不香？

前言

2026年1月，Mastra 发布 1.0 版本，宣布完成 1300 万美元种子轮融资，资方名单包括 Y Combinator、Google AI Fund (Gradient Ventures)、Paul Graham、Guillermo Rauch (Vercel CEO)、Amjad Masad (Replit CEO)。

这个团队的上一款产品是 Gatsby.js——JavaScript 生态里最流行的静态站点生成框架之一。他们在 2024 年卖掉 Gatsby 后，重新组队，赌的是一件事：TypeScript 开发者需要一个原生的生产级 AI Agent 框架，而不是从 Python 框架移植过来。

这个赌注对不对？我花了三天研究它的源码、文档和生产案例，给出我的判断。

评测维度

本文从以下角度评估 Mastra：

第一维：易用性

结论：TypeScript 团队友好，但对习惯 Python 的人有学习曲线。

Mastra 的 API 设计很「函数式」——用 Zod 定义工具 schema，用 agent.generate() 和 agent.stream() 处理响应，用 workflow.step() 定义步骤。这个模式对有 React/Vercel 背景的开发者来说是直觉的。

但如果你习惯 CrewAI 的 from_langchain 那种声明式 agent 定义方式，Mastra 需要适应一下。

1
// Mastra 的 Agent 定义方式
2
const agent = new Agent({
3
  name: "research-assistant",
4
  model: gemini("gemini-2.0-flash"),
5
  instructions: "你是一个研究助手，擅长信息检索和总结",
6
  tools: [weatherTool, searchTool],
7
});
8

9
// 调用方式
10
const result = await agent.generate("帮我查一下北京今天的天气");

对比 CrewAI 的写法：

1
# CrewAI 的 Agent 定义方式
2
researcher = Agent(
3
    role="Researcher",
4
    goal="Find latest AI news",
5
    backstory="You are a research expert",
6
    tools=[search_tool, browse_tool]
7
)

Mastra 的问题在于：文档太简略。很多高级 API 没有完整示例，需要读源码才能理解。比如延迟执行（Defer）和流式工具调用，文档只有一句话，实际用的时候需要去 GitHub Issues 找答案。

第二维：功能完整度

结论：覆盖完整，主要模块没有明显短板。

Mastra 1.0 的六大核心模块：

Agents（自主任务执行）

1
// 带工具调用的 Agent
2
const agent = new Agent({
3
  model: openai("gpt-4o"),
4
  tools: {
5
    search: tool({
6
      description: "Search the web",
7
      schema: z.object({ query: z.string() }),
8
      execute: async ({ query }) => {
9
        return await searchWeb(query);
10
      }
11
    })
12
  }
13
});

支持 .generate() 同步和 .stream() 流式两种调用方式。工具 approval 流程（MCP 风格的 human-in-the-loop）需要自己实现，没有 LangGraph 的 Checkpointer 那么成熟。

Workflows（确定性多步骤编排）

这是 Mastra 和 Vercel AI SDK 拉开差距的地方。CrewAI 用 code-first 的 role-based 模式，Mastra 用声明式的 step 模式：

1
const workflow = new Workflow({
2
  name: "content-pipeline",
3
  trigger: { schema: z.object({ topic: z.string() }) },
4
});
5

6
workflow
7
  .step(researchStep)
8
  .step(writeStep)
9
  .step(reviewStep)
10
  .then(publishStep);
11

12
workflow.commit();

支持条件分支、并行执行、循环，以及人工审批节点（human_review）。但文档里对并发控制（同一个 workflow 同时触发两次会怎样）没有明确说明，这是我担心的点。

RAG（检索增强生成）

1
const rag = new RAG({
2
  vectorStore: new QdrantStore({ url: "http://localhost:6333" }),
3
  embedder: embed("embed-english-v3"),
4
});
5

6
await rag.index({
7
  documents: [{ id: "1", text: "Mastra 是 TypeScript AI 框架" }],
8
});
9

10
// 检索
11
const results = await rag.retrieve({ query: "什么是 Mastra？" });

支持 Pinecone、Qdrant、ChromaDB、pgvector 等主流向量数据库。Pipeline 设计比 LangChain 的 VectorStoreIndex 更灵活，但 chunking 策略只有基础选项，高级策略（sentence-splitting、semantic chunking）需要自己扩展。

Memory（持久化记忆）

这是 Mastra 最有特色的模块之一。四层记忆：

这个设计比 LangGraph 的单纯 Memory 变量更系统。但工作记忆和观测记忆的边界需要自己摸索，文档没有说清楚「什么时候该用哪个」。

Evals（质量评估）

1
const eval = new Evals();
2

3
const result = await eval.run({
4
  task: "评估 agent 回答是否相关",
5
  agent: myAgent,
6
  dataset: testCases,
7
  metrics: ["relevance", "faithfulness", "toxicity"]
8
});

支持 model-graded（让模型打分）、rule-based（正则匹配）、statistical（BLEU/ROUGE）三种评估方式。测试驱动开发（TDD）场景下很有用，但内置的 metrics 有限，需要自己写 evaluator。

第三维：生产就绪度

结论：核心稳定，运维工具尚在建设。

Mastra 的核心包 @mastra/core 是 Apache 2.0 许可，生产可用。Replit 和 WorkOS 已经在生产环境跑着，团队规模 26 人，融资 1300 万美元，短期内没有倒闭风险。

监控方面：Mastra 集成 OpenTelemetry，但没有内置的 dashboard，需要自己接 Grafana 或 Datadog。这比 LangSmith（LangGraph 的商业观测平台）差一个档次。

错误处理：Workflow 的 step 失败有 retry 机制，但没有 LangGraph 那样的 interrupt 和 checkpoint 来恢复中断状态。如果你需要中途保存进度，需要自己实现。

高并发：文档没有说明并发限制。考虑到 v1.0 的发布时间，建议在生产环境先做压测再上线。

第四维：生态扩展

结论：MCP 支持是强项，TypeScript 生态天然优势。

MCP 支持是 Mastra 的核心卖点之一——它既能消费 MCP 工具（接入外部服务），也能暴露自己的工具给外部 MCP 客户端（Cursor、VS Code、Claude Desktop）。

1
// 暴露 Mastra 工具为 MCP 服务器
2
const server = new MCPServer({
3
  tools: [myTool1, myTool2],
4
});

这个设计对 TypeScript 开发者很有吸引力——你写的工具可以同时给 AI Agent 用和给人类开发者用。

对比其他框架：

第五维：场景适配度

结论：Web 应用 + TypeScript 团队 = 首选。复杂图编排 = 不适合。

适合 Mastra 的场景

1. TypeScript/Web 技术栈的 AI 应用团队 Vercel AI SDK 团队（Next.js/React 生态）做 AI 功能，Mastra 提供了更完整的 Agent 抽象。两者可以无缝叠加。

2. 需要快速出原型 内置 RAG、Memory、Evals，不用从零搭组件。官方宣传「从想法到生产」不是营销话术，对于中间复杂度的场景确实如此。

3. 已有 Vercel/Next.js 基础设施 Mastra 和 Vercel AI SDK 都是 Vercek 生態，部署到 Vercel 或 Cloudflare Workers 的体验最好。

4. 需要给人类开发者暴露 AI 工具 MCP 双向支持是独特优势，其他框架没有这个能力。

不适合 Mastra 的场景

1. 复杂的多 Agent 图编排 LangGraph 的图模型更成熟，并发控制、checkpoint、interrupt 都更完善。Mastra 的 Workflow 适合线性流程，复杂 DAG（有向无环图）场景下不如 LangGraph。

2. Python 优先的团队 虽然 Mastra 有 Python SDK 的计划，但目前只有 TypeScript。如果你队里没有 TypeScript 工程师，上手成本高于 Python 框架。

3. 需要强一致性的金融/医疗场景 Mastra v1.0 生产案例时间短，没有经过金融/医疗场景的严格验证。LangGraph 有 Klarna（85M 用户）的背书，Mastra 目前没有同等量级的案例。

4. 追求丰富插件生态 LangGraph 的插件市场更成熟，Mastra 的插件数量还在增长中。如果你需要大量第三方集成，Mastra 可能会让你失望。

横向对比：Mastra vs 同类

结论与选型建议

Mastra 解决了什么问题：TypeScript 开发者终于有了一个「不用从 Python 移植过来」的生产级 AI Agent 框架。它内置的 RAG、Memory、Evals 模块让中小型 AI 应用可以直接用，不需要从零搭组件。

Mastra 没解决的问题：复杂图编排、生产级观测、金融场景验证。这些是 LangGraph 的领地。

我的最终评价：

如果你正在用 TypeScript/Next.js 构建 AI 应用，Mastra 是目前最好的选择——比从 LangChain 移植的方案更原生，比自己从 Vercel AI SDK 搭 Agent 层更完整。

如果你需要复杂的 Agent 协作、状态持久化、生产级监控，LangGraph 的护城河依然稳固。Mastra 1.0 是好的开始，但需要时间来证明自己。

值得期待：Mastra 的 v1.1 路线图里提到了 Defer（延迟执行）和更好的并发控制。如果这两个做实，Mastra 的适用场景会显著扩大。

相关阅读：

• 15大AI Agent框架横评：编排模式与选型决策树
• Hermes Agent 安装配置指南：从零搭建自改进 AI Agent
• GitHub