如何快速构建AI应用？Mastra TypeScript框架详解

引言

在当今快速发展的 AI 领域，开发者需要一个强大、灵活且易于使用的框架来构建复杂的 AI 应用。Mastra 应运而生，它是一个基于 TypeScript 的框架，旨在为开发者提供构建 AI 应用程序所需的核心基元，包括工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。、智能体（AgentIn AI, a system that perceives its environment and takes actions to achieve specific goals, often used in conversational contexts.）、检索增强生成（RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses.）、第三方集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。和评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。系统。无论是本地开发还是无服务器云部署，Mastra 都提供了无缝的体验。

在当今快速发展的 AI 领域，开发者需要一个强大、灵活且易于使用的框架来构建复杂的 AI 应用。Mastra 应运而生，它是一个基于 TypeScript 的框架，旨在为开发者提供构建 AI 应用程序所需的核心基元，包括工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。、智能体（AgentIn AI, a system that perceives its environment and takes actions to achieve specific goals, often used in conversational contexts.）、检索增强生成（RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses.）、第三方集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。和评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。系统。无论是本地开发还是无服务器云部署，Mastra 都提供了无缝的体验。

核心功能概览

Mastra 提供了一套全面的功能集，旨在简化 AI 应用程序的开发流程。

Mastra 提供了一套全面的功能集，旨在简化 AI 应用程序的开发流程。

LLM 模型集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。

Mastra 利用 Vercel AI SDK 进行模型路由，为开发者提供了一个统一的接口来与任何主流 LLM 提供商进行交互，包括 OpenAI、Anthropic 和 Google Gemini。开发者可以灵活选择特定的模型和提供商，并决定是否以流式传输的方式获取响应。

Mastra 利用 Vercel AI SDK 进行模型路由，为开发者提供了一个统一的接口来与任何主流 LLM 提供商进行交互，包括 OpenAI、Anthropic 和 Google Gemini。开发者可以灵活选择特定的模型和提供商，并决定是否以流式传输的方式获取响应。

智能体系统

在 Mastra 中，智能体（AgentIn AI, a system that perceives its environment and takes actions to achieve specific goals, often used in conversational contexts.）是一个能够驱动语言模型执行一系列操作的系统。它为 LLM 配备了工具、工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。和同步数据访问能力。智能体可以调用开发者自定义的函数、第三方集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。的 API，并能访问构建好的知识库，从而执行复杂的任务。

在 Mastra 中，智能体（AgentIn AI, a system that perceives its environment and takes actions to achieve specific goals, often used in conversational contexts.）是一个能够驱动语言模型执行一系列操作的系统。它为 LLM 配备了工具、工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。和同步数据访问能力。智能体可以调用开发者自定义的函数、第三方集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。的 API，并能访问构建好的知识库，从而执行复杂的任务。

工具

工具是可由智能体或工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。执行的类型化函数。它们具备内置的集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。访问和参数验证功能。每个工具都包含：

一个定义其输入参数的架构
一个实现其核心逻辑的执行函数
对已配置集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。的访问权限

工具是可由智能体或工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。执行的类型化函数。它们具备内置的集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。访问和参数验证功能。每个工具都包含：

一个定义其输入参数的架构 (A schema defining its input parameters)

一个实现其核心逻辑的执行函数 (An execution function implementing its core logic)

对已配置集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。的访问权限 (Access to configured integrations)

工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。

工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。是基于图形的、具有持久化状态的状态机。它们支持复杂逻辑，包括：

循环与条件分支
等待人工输入
嵌套其他工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。
错误处理与重试机制
数据解析
工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。既可以通过代码定义，也可以使用可视化编辑器构建。每个步骤都内置了 OpenTelemetry 跟踪，便于监控和调试。

工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。是基于图形的、具有持久化状态的状态机。它们支持复杂逻辑，包括：

循环与条件分支 (Loops and conditional branching)

等待人工输入 (Waiting for human input)

嵌套其他工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。 (Embedding other workflows)

错误处理与重试机制 (Error handling and retry mechanisms)

数据解析 (Data parsing)
工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。既可以通过代码定义，也可以使用可视化编辑器构建。每个步骤都内置了 OpenTelemetry 跟踪，便于监控和调试。

检索增强生成

检索增强生成（RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses.）功能允许开发者为智能体构建专属的知识库。Mastra 的 RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses. 系统本质上是一个 ETL（提取、转换、加载）管道，集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。了特定的查询技术，包括文档分块、嵌入生成和向量搜索。

检索增强生成（RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses.）功能允许开发者为智能体构建专属的知识库。Mastra 的 RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses. 系统本质上是一个 ETL（提取、转换、加载）管道，集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。了特定的查询技术，包括文档分块、嵌入生成和向量搜索。

集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。

在 Mastra 中，集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。是为第三方服务自动生成的、类型安全的 API 客户端。这些客户端可以直接作为工具，被智能体或工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。中的步骤调用，极大地简化了外部服务的接入过程。

在 Mastra 中，集成在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。是为第三方服务自动生成的、类型安全的 API 客户端。这些客户端可以直接作为工具，被智能体或工作流基于图的系统，连接多个智能体和函数以执行复杂的多步骤任务，支持类型路由、嵌套、检查点和人机交互模式。中的步骤调用，极大地简化了外部服务的接入过程。

评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。

评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。（Evals）是一种自动化测试，用于评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。 LLM 的输出质量。它结合了模型分级和基于规则的统计方法。每个评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。会返回一个介于 0 到 1 之间的标准化分数，该分数可以被记录和用于比较。开发者可以使用自定义的提示词和评分函数来配置评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。。

评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。（Evals）是一种自动化测试，用于评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。 LLM 的输出质量。它结合了模型分级和基于规则的统计方法。每个评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。会返回一个介于 0 到 1 之间的标准化分数，该分数可以被记录和用于比较。开发者可以使用自定义的提示词和评分函数来配置评估评估是自动化测试，使用模型分级和基于规则的统计方法评估LLM输出，返回0-1之间的标准化分数，可自定义提示和评分函数。。

快速开始指南

先决条件

Node.js (版本 20.0 或更高)
获取一个 LLM 提供商（如 OpenAI）的 API 密钥

Node.js (version 20.0 or higher)

Obtain an API key from an LLM provider (e.g., OpenAI)

创建新项目

使用 Mastra 的 CLI 工具可以快速创建新应用程序，并通过运行脚本启动 Mastra 游乐场（Playground）进行交互式开发和测试。

Use Mastra's CLI tool to quickly create a new application and start the Mastra Playground for interactive development and testing by running a script.

社区与支持

Mastra 欢迎并鼓励社区贡献，包括代码提交、测试编写和功能规范讨论。项目提供了 Discord 社区供用户交流，并感谢开发者为其 GitHub 仓库点赞（Star）。

Mastra welcomes and encourages community contributions, including code submissions, test writing, and feature specification discussions. The project provides a Discord community for user communication and appreciates developers giving stars to its GitHub repository.

Mastra 在开发者社区中获得了高度评价，被认为是构建 AI 智能体最简单、对开发者最友好的 SDK 之一。许多开发者称赞其易用性、出色的云部署能力以及干净、美观的开发体验。

Mastra has received high praise within the developer community and is considered one of the simplest and most developer-friendly SDKs for building AI agents. Many developers commend its ease of use, excellent cloud deployment capabilities, and clean, aesthetically pleasing development experience.

相关链接：

GitHub 仓库: https://github.com/mastra-ai/mastra
官方网站: https://mastra.ai/

如何系统学习大模型 AI？

由于新岗位的生产效率通常高于被取代的岗位，因此 AI 技术的发展整体上提升了社会生产效率。然而，对个人而言，关键在于：“最先掌握 AI 技能的人，将比后来者拥有显著的竞争优势。”这一规律在计算机、互联网和移动互联网时代初期同样适用。

As the productivity of new positions is generally higher than that of replaced ones, the development of AI technology enhances overall social productivity. However, for individuals, the key lies in: "Those who master AI skills first will have a significant competitive advantage over later adopters." This principle also held true during the early days of computing, the internet, and mobile internet.

基于在一线互联网企业十余年的工作经验，我指导过许多同行，并意识到有大量的知识和经验值得分享。为此，我整理了一份系统的大模型 AI 学习路径，旨在帮助学习者从入门到精通。

Based on over a decade of experience in frontline internet companies, having mentored many peers, I realized a wealth of knowledge and experience is worth sharing. Therefore, I have organized a systematic learning path for large model AI, designed to help learners progress from beginner to advanced levels.

第一阶段：初阶应用（约10天）

目标是对大模型 AI 形成前沿认知，理解程度超越 95% 的普通人，能够发表深刻、独到的见解。

核心内容：大模型的能力与智能原理、用好 AI 的核心心法、应用架构、提示工程（Prompt Engineering）的意义与构成、指令调优、思维链/思维树、Prompt 安全等。
成果：从只会与 AI 聊天，进阶到能够调教 AI，并用代码将大模型与业务衔接。

Goal: Form a cutting-edge understanding of large model AI, surpassing 95% of the general population, and be able to express profound, original insights.

Core Content: Capabilities and intelligence principles of large models, core methodologies for effectively using AI, application architecture, the significance and composition of Prompt Engineering, instruction tuning, chain-of-thought/tree-of-thought, Prompt security, etc.

Outcome: Progress from merely chatting with AI to being able to instruct AI and connect large models to business applications with code.

第二阶段：高阶应用（约30天）

正式进入大模型 AI 进阶实战，重点扩展 AI 的能力边界。

核心内容：检索增强生成（RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses.）的原理与实践、构建私有知识库、开发基于智能体的对话机器人、掌握主流大模型开发框架、向量数据库与检索技术等。
成果：能够快速开发功能完整的 AI 应用，适合 Python 和 JavaScript 程序员深入。

Enter advanced practical combat with large model AI, focusing on expanding AI's capabilities.

Core Content: Principles and practice of Retrieval-Augmented Generation (RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses.), building private knowledge bases, developing agentIn AI, a system that perceives its environment and takes actions to achieve specific goals, often used in conversational contexts.-based chatbots, mastering mainstream large model development frameworks, vector databases and retrieval techniques, etc.

Outcome: Ability to rapidly develop fully functional AI applications, suitable for in-depth learning by Python and JavaScript programmers.

第三阶段：模型训练（约30天）

学习模型训练，获得更深层的技术掌控力。

核心内容：模型与训练的基本概念、损失函数、神经网络基础、Transformer 结构详解、预训练/微调/轻量化微调技术、数据集的构建等。
成果：能够独立微调训练垂直领域的大模型，掌握多模态模型训练方案，具备从事大模型相关工作的核心能力。

Learn model training to gain deeper technical control.

Core Content: Basic concepts of models and training, loss functions, neural network fundamentals, detailed Transformer architecture, pre-training/fine-tuning/parameter-efficient fine-tuning techniques, dataset construction, etc.

Outcome: Ability to independently fine-tune large models for vertical domains, master training schemes for multimodal models, and possess core competencies for working in large model-related fields.

第四阶段：商业闭环（约20天）

从全局视角理解大模型，并实现落地部署。

核心内容：全球大模型性能与成本分析、云端与本地化部署方案（如 vLLM）、硬件选型、使用国产大模型服务、私有化部署实践、内容安全与合规等。
成果：能够在多种环境下部署大模型，形成对 AI 产品/创业方向的清晰认知，成为一名被 AI 技术武装的产品开发者。

Understand large models from a global perspective and achieve practical deployment.

Core Content: Analysis of global large model performance and cost, cloud and on-premises deployment solutions (e.g., vLLM), hardware selection, using domestic large model services, privatization deployment practices, content safety and compliance, etc.

Outcome: Ability to deploy large models in various environments, form a clear understanding of AI product/entrepreneurship directions, and become a product developer empowered by AI technology.

学习是一个伴随挑战的过程，天道酬勤。如果能完成上述大部分内容，您就已经具备了在大模型 AI 领域成长和发展的关键特质。

Learning is a process accompanied by challenges, and diligence pays off. If you can complete most of the above content, you already possess the key qualities for growth and development in the field of large model AI.

（编者注：原文末尾提及的完整学习资料已上传至 CSDN，读者可按需搜索获取。）

(Editor's Note: The complete learning materials mentioned at the end of the original text have been uploaded to CSDN. Readers can search and obtain them as needed.)