Mastra AI 框架深度解析：25.5k Star，Replit/Brex/MongoDB 都在用的生产级 Agent 平台
Mastra AI 框架深度解析：25.5k Star，Replit/Brex/MongoDB 都在用的生产级 Agent 平台
2026 年，AI Agent 框架的战场出现了一个低调但绝对不容忽视的玩家：Mastra。
说它低调，是因为你可能很少在中文技术社区看到它的讨论。说它不容忽视，是因为它的客户名单和使用规模，足以让任何其他 AI 框架汗颜：
- Replit：Agent 3 每天运行数千个 Mastra 沙箱
- Brex：51 亿美元收购 Capital One 的交易背后，agentic finance 系统由 Mastra 驱动
- Marsh McLennan：10 万员工的全球分布式团队使用基于 Mastra 的 LenAI 智能搜索
- Sanity：内容 Agent 扩展到 30,000+ 组织
- MongoDB：Mastra Agent 每天在基础设施内部处理 10TB CI 日志
- PayPal、Elastic、SoftBank、WorkOS……
GitHub 25.5k Stars，TypeScript 原生，全栈可观测性，从初创公司到财富 500 强都在用。
这篇文章，我们来深度解析这个可能是目前最被低估的生产级 AI Agent 框架。
Mastra 是什么？
官方定义很简单：
Mastra is the modern TypeScript framework for AI-powered applications and agents.
翻译一下：Mastra 是为 AI 应用和 Agent 设计的现代 TypeScript 框架。
但这个定义远远不能概括它的全部。
Mastra 不是又一个 LangChain 克隆。它的设计哲学和定位，和目前市面上的大多数 AI 框架都不一样：
| 维度 | Mastra | LangChain / LlamaIndex |
|---|---|---|
| 核心定位 | 生产级 Agent 应用平台 | 通用 AI 工具集 |
| 语言绑定 | TypeScript 原生，深度集成 | 多语言（Python 优先） |
| 可观测性 | 内置，一等公民 | 第三方插件 |
| 评估系统 | 内置 Evals 框架 | 需要自己实现 |
| 部署方式 | 内置 Server，一键部署 | 需要自己搭服务 |
| 目标用户 | 专业工程团队，生产环境 | 所有开发者，原型优先 |
Mastra 是给认真想把 Agent 跑到生产环境的工程团队准备的。
五大核心能力
Mastra 的功能模块非常清晰，五大块：Agents、Workflows、Harness、Memory、Server。
🔹 1. Agents：类型化的 Agent 定义
这是 Mastra 最基础也是最核心的抽象。
看一眼代码你就懂了：
import { Agent } from "@mastra/core/agent";
export const weatherAgent = new Agent({
id: "weather-agent",
name: "Weather Agent",
instructions: `
You are a helpful weather assistant.
Always provide the temperature in Celsius.
`,
model: "openai/gpt-5.5",
tools: { weatherTool },
});看起来很简单对不对？但这里有几个关键的设计决策：
- 强类型：所有字段都是 TypeScript 类型化的，IDE 自动补全，编译时错误检查
- 声明式：你告诉它"是什么"，而不是"怎么运行"
- 关注点分离：instructions、model、tools，各司其职
- 可组合：Agent 可以调用其他 Agent，可以嵌套，可以协作
最重要的一点：这个定义不是只在你的代码里有用。
这个 Agent 定义，会被 Mastra 的整个生态系统消费：
- 可观测性系统用它来做 tracing
- 评估系统用它来跑 evals
- 部署系统用它来自动生成 API 端点
- 管理面板用它来展示 Agent 状态
你只定义一次，处处可用。
🔹 2. Workflows：有状态的 Agent 工作流
大多数 AI 框架的 Agent 都是无状态的——给一个输入，返回一个输出。但真实世界的 Agent 应用，几乎都是有状态的多步骤流程。
Mastra Workflows 就是解决这个问题的。
一个典型的用户入职 Workflow：
import { Workflow, step } from "@mastra/core/workflow";
export const onboardingWorkflow = new Workflow({
id: "user-onboarding",
trigger: { event: "user.signed.up" },
steps: {
createUser: step(async ({ context }) => {
// 创建用户记录
return { userId: context.user.id };
}),
sendWelcomeEmail: step(async ({ context, prev }) => {
// 发送欢迎邮件
await emailService.sendWelcome(context.user.email);
return { sent: true };
}),
provisionResources: step(async ({ context }) => {
// 为用户创建专属资源
return { resources: provisioned };
}),
},
});关键特性：
- 持久化状态：工作流执行到一半，服务重启了也没关系，状态会保留
- 步骤重试：单个步骤失败，自动按策略重试
- 条件分支：根据上一步的输出决定走哪条路
- 人工审核：支持"人在回路"，暂停工作流等人来审批
- 版本管理：工作流定义可以升级，不影响正在运行的实例
这才是生产级应用真正需要的东西。大多数 AI 框架在这一层几乎是空白。
🔹 3. Harness：Agent 的安全沙箱
这是 Mastra 最独特也是最强大的功能之一。
Harness 是什么？它是 Agent 代码的安全执行环境。
当你的 Agent 需要执行任意代码、调用外部工具、访问用户数据的时候，你不能直接让它跑在你的主进程里。你需要一个沙箱。
Mastra Harness 提供：
- 代码执行隔离：Agent 生成的代码跑在独立的 V8 隔离环境里
- 权限控制：精细控制 Agent 能访问什么、不能访问什么
- 资源限制：CPU、内存、执行时间的硬限制
- 行为审计：Agent 做的每一件事都被记录和审计
- 超时和中断：Agent 死循环了？直接 kill 掉，不影响主服务
这就是为什么 Replit 可以每天安全地运行数千个 Mastra 沙箱。
没有这个，你永远不敢把 Agent 真正开放给用户。
🔹 4. Memory：结构化的 Agent 记忆
Mastra 的 Memory 系统不是简单的向量数据库包装。
它支持多层级的记忆结构：
- 会话记忆：当前对话的上下文
- 长期记忆：跨会话的用户画像和历史
- 工作记忆：Agent 当前正在处理的任务状态
- 知识库记忆：RAG 的外部知识
而且，最重要的是：记忆是可观察、可编辑、可解释的。
你可以在 Mastra 的管理面板里看到：
- 这个 Agent 记住了什么？
- 它是从哪次交互里记住的？
- 它为什么做出了这个决策？
- 你甚至可以手动编辑记忆，修正 Agent 的行为。
大多数 AI 框架把记忆做成了一个黑盒——你往向量数据库里塞东西，然后祈祷 RAG 能搜到正确的。Mastra 把记忆做成了一个透明的、可管理的系统。
🔹 5. Server：零配置部署
定义好了 Agent 和 Workflow，怎么把它们变成可以调用的服务？
Mastra 的答案是：什么都不用做。
mastra serve就这么简单。
所有的 Agent 自动变成 REST API + GraphQL 端点：
POST /api/agents/weather-agent/invoke
POST /api/workflows/user-onboarding/start
GET /api/agents/weather-agent/traces
GET /api/agents/weather-agent/evals自动生成 OpenAPI 文档，自动支持 Webhook，自动集成可观测性。
你不需要写任何路由代码，不需要配置任何中间件，不需要处理鉴权（当然你可以加）。
真正的杀手级功能：内置可观测性
这是 Mastra 和所有其他 AI 框架最大的区别。
对于生产级 AI 应用来说，可观测性不是锦上添花，是生死攸关的基础设施。
你的 Agent 在生产环境里：
- 为什么做出了这个回答？
- 它调用了哪些工具？花了多长时间？
- 这次调用花了多少钱？
- 失败率是多少？哪类问题最容易失败？
- 新版本的 Agent 比旧版本好还是坏？
如果你回答不了这些问题，你就不应该把你的 Agent 放到生产环境。
Mastra 把可观测性做到了骨子里。四大模块，全部内置：
📊 Evals（评估）
Score agent runs against repeatable checks before changes reach production.
在变更发布到生产之前，自动运行评估检查，确保新版本的表现符合预期。
📈 Metrics（指标）
- Token 用量和成本
- 调用延迟和成功率
- 工具调用频率和失败率
- 用户满意度评分
所有指标自动聚合，自带 Prometheus exporter，直接接入你的监控系统。
📚 Datasets（数据集）
- 自动收集生产环境的真实交互数据
- 一键导出用于微调或评估
- 版本管理，可回溯，可复现
🔍 Traces（链路追踪）
完整的 OpenTelemetry 链路追踪。从用户发请求，到 Agent 思考，到调用每一个工具，到最后生成回答，每一步都有完整的 trace。
你可以在管理面板里看到一次完整调用的火焰图：
User Request (2.3s)
├─ Agent Thinking (0.8s)
│ └─ LLM Call (0.7s) [Tokens: 1200 → Cost: $0.0024]
├─ Tool Call: search_database (0.5s)
│ └─ SQL Query (0.3s)
├─ Tool Call: send_email (0.4s)
└─ Generate Response (0.6s)
└─ LLM Call (0.5s) [Tokens: 800 → Cost: $0.0016]没有其他任何 AI 框架，把可观测性做到了这个粒度。
客户案例：Mastra 在真实世界的用法
让我们看看那些真正把 Mastra 用到生产环境的公司，都用它来做什么。
案例 1：Replit Agent 3
每天运行数千个 Mastra 沙箱
Replit 的 Agent 3 是一个可以帮你写代码、运行代码、调试代码的 AI 助手。所有 Agent 代码的执行，全部跑在 Mastra Harness 沙箱里。
对于 Replit 来说，安全性是第一要求。用户让 AI 生成的代码，可能是任何东西——有 bug，有漏洞，甚至是恶意的。Mastra Harness 提供的隔离环境和权限控制，让 Replit 可以安全地每天运行成千上万次不可信的代码执行。
案例 2：Brex Agentic Finance
51 亿美元收购案的技术支撑
Brex 是一家金融科技公司，他们用 Mastra 构建了整个 agentic finance 系统。AI Agent 可以：
- 自动分析数百万条交易记录
- 检测异常和欺诈
- 自动生成财务报告
- 回答复杂的财务问题
在 Brex 收购 Capital One 商业部门的 51 亿美元交易中，Mastra Agent 处理和分析了海量的财务数据，为决策提供了关键支持。
案例 3：Marsh McLennan LenAI
10 万员工的智能搜索
Marsh McLennan 是世界上最大的保险经纪和专业服务公司，10 万员工分布在全球 130 多个国家。他们用 Mastra 构建了 LenAI——一个智能搜索 Agent，可以理解员工的自然语言问题，从公司内部海量的文档、邮件、知识库中找到答案。
对于这么大的组织来说，可观测性和合规性是硬要求。所有 Agent 的访问、查询、回答都必须可审计、可追溯。Mastra 的内置 tracing 和审计日志，满足了最严格的企业合规要求。
案例 4：MongoDB CI Agent
每天处理 10TB CI 日志
MongoDB 的 CI 系统每天产生海量的日志。工程师最头疼的问题就是：CI 失败了，几千行日志，我到底该看哪？
他们用 Mastra 构建了一个 CI 诊断 Agent，可以：
- 自动分析失败的 CI 日志
- 定位根本原因
- 建议修复方案
- 自动关联相关的 Issue 和 PR
每天处理 10TB 日志，这不是玩具 Demo，这是真实的、大规模的生产使用。
Mastra 的设计哲学
为什么这么多顶级公司选择了 Mastra，而不是更流行的 LangChain？我认为核心是三个设计原则：
原则 1：生产优先，而不是原型优先
LangChain 的设计目标是"让你快速做一个 Demo"。Mastra 的设计目标是"让你能把这个 Demo 安全、可靠、可观测地运行在生产环境，服务几百万用户"。
这是完全不同的设计优先级。
原则 2：Opinionated，但灵活
Mastra 对"怎么写 Agent 应用"有很强的主见。它告诉你：
- Agent 应该这么定义
- 工作流应该这么写
- 可观测性应该这么做
- 部署应该这么搞
你不需要自己做 100 个架构决策。Mastra 已经帮你选好了经过生产验证的最佳实践。
但如果你真的需要定制，所有的模块都是可替换、可扩展的。
原则 3：完整的闭环，而不是零散的工具
大多数 AI 框架给你一堆积木，然后告诉你"你自己拼吧"。Mastra 给你一个完整的闭环：
- 开发 → 测试 → 评估 → 部署 → 监控 → 迭代
从你写第一行代码，到你在生产环境里观察它的表现，整个流程都在 Mastra 的体系里。
谁应该用 Mastra？
✅ 你应该用 Mastra，如果：
- 你是一个专业的工程团队，不是个人爱好者
- 你需要把 Agent 应用真正跑到生产环境
- 可观测性、可靠性、安全性对你来说很重要
- 你的技术栈是 TypeScript / Node.js
- 你不想自己搭一整套 AI 基础设施
❌ 你不应该用 Mastra，如果：
- 你只是想快速做个原型玩玩
- 你的技术栈是 Python 为主，不想换
- 你需要极致的灵活性，所有东西都想自己控制
- 你的应用很简单，不需要工作流、可观测性这些东西
挑战和隐忧
当然，Mastra 也不是完美的。
⚠️ 挑战 1：生态系统还比较小
和 LangChain 比，Mastra 的第三方集成、插件、社区教程的数量都少得多。如果你需要一些非常小众的 LLM 提供商或者工具，可能需要自己写集成。
⚠️ 挑战 2：有一定的学习曲线
Mastra 有很多概念：Agent、Workflow、Harness、Memory、Evals、Traces... 对于刚接触的开发者来说，需要一段时间才能完全理解和掌握。
⚠️ 挑战 3：TypeScript Only
目前 Mastra 是 TypeScript 原生，而且看起来短期内也没有支持 Python 的计划。对于 Python 栈的团队来说，这是一个硬门槛。
行业影响
Mastra 的崛起，标志着 AI Agent 框架的一个重要转折点：
从"怎么让 Agent 跑起来"，到"怎么让 Agent 可靠地运行在生产环境"。
前几年，大家都在兴奋地做各种 Agent Demo——看起来很酷，但是一到生产环境就各种问题：不可观测、不可调试、失败率高、成本不可控、安全有风险。
现在，行业开始成熟了。我们需要的不再是又一个能调用 LLM 的库。我们需要的是一套完整的、经过生产验证的工程体系，让我们能像开发、部署、监控传统软件一样，开发、部署、监控 AI Agent。
Mastra 就是这个方向的先行者。
接下来的一两年，我们大概率会看到：
- 所有主流 AI 框架都会开始认真做可观测性
- 工作流编排会成为 Agent 框架的标准功能
- 安全沙箱和权限控制会从"没人在乎"变成"标配"
- 评估系统会和 CI/CD 深度集成
而 Mastra，已经在这些方向上领先了至少 1-2 年。
写在最后
AI 领域的炒作太多了。每天都有新的框架、新的模型、新的范式，让人眼花缭乱。
但当你拨开这些炒作，看真实的生产环境里到底在用什么，你会发现一些不一样的答案。
Mastra 就是这样一个答案。它没有那么多炒作，没有那么多头条，但是顶级的工程团队在用它，用它跑大规模的、真实的、赚钱的业务。
这才是真正有价值的技术。
如果你是一个认真想把 Agent 应用做到生产环境的开发者，我强烈建议你花一个下午看看 Mastra。它可能会彻底改变你对"AI 应用开发"的理解。
npm create mastra试试看。
参考资源
Mastra 官方网站 — https://mastra.ai 官方文档、教程、快速开始
Mastra GitHub — https://github.com/mastra-ai/mastra02 源码、Issue、Discussions
客户案例 — https://mastra.ai/customers Replit、Brex、MongoDB 等公司的详细案例
Mastra Workshop — "Patterns for Production AI Agents" 官方线上研讨会，6 月 30 日 4pm UTC
作者: itech001 来源: 公众号：AI人工智能时代 网站: https://www.theaiera.cn/ 每日分享最前沿的AI新闻资讯和技术研究。
本文首发于 AI人工智能时代，转载请注明出处。
