Mastra
Mastra AI · Coding
Mastra ist ein Open-Source-Framework in TypeScript zum Erstellen von KI-Agenten und KI-gestützten Anwendungen. Es bündelt Agenten, graphbasierte Workflows, Gedächtnis und Modell-Routing über Dutzende Anbieter hinweg, dazu Observability, in einem Stack. Sie binden es an React, Next.js oder Node an oder betreiben es als eigenständigen Server. Wenn Ihr Team bereits TypeScript schreibt, ist Mastra ein kurzer Weg zu einem funktionierenden KI-Produkt.
Über Mastra
Was ist Mastra
Mastra ist ein Framework, kein No-Code-Baukasten. Es ist Code. Sie bleiben im Code und beschreiben Agenten, Tools und Workflows, und das Framework übernimmt die Verkabelung, die sonst von Grund auf neu gebaut wird: Modelle aufrufen, Tools ausführen, Zustand speichern und nachverfolgen, was passiert ist.
Das Versprechen ist eng und ehrlich. Die meisten KI-Frameworks sind zuerst für Python gedacht, und die JavaScript-Unterstützung kommt spät. Mastra wurde vom ersten Tag an für TypeScript geschrieben, daher bekommen Sie Typsicherheit, Autovervollständigung und Prüfungen zur Kompilierzeit, während Sie Agenten verdrahten. Das zählt, wenn Sie Frontend- oder Full-Stack-Entwickler sind und nicht extra eine zweite Sprache lernen wollen, um ein KI-Feature auszuliefern.
Der Kompromiss: Mastra setzt voraus, dass Sie programmieren können. Für Entwickler ist das in Ordnung. Es gibt eine CLI und ein lokales Studio, um Läufe per Klick zu prüfen, aber keine Drag-and-drop-Oberfläche für Nicht-Entwickler, und einige neuere Teile, etwa der experimentelle Agenten-Baukasten, brauchen für den Produktivbetrieb eine Enterprise-Lizenz. Wer ein visuelles Werkzeug für ein nicht-technisches Team sucht, ist hier falsch.
Erste Schritte
- Installieren Sie die CLI mit
npm create mastra@latestund wählen Sie eine Vorlage, vom einfachen Chatbot bis zur App zur Dokumentenanalyse. - Tragen Sie einen Schlüssel eines Modellanbieters, etwa von OpenAI oder Anthropic, in Ihre Umgebungsdatei ein.
- Definieren Sie einen Agenten im Ordner
src/mastra/agentsund registrieren Sie Ihre Tools insrc/mastra/tools. - Führen Sie
npm run devaus, um das lokale Studio zu öffnen und den Agenten im Browser zu testen. - Stellen Sie den Mastra-Server auf Ihrer eigenen Infrastruktur bereit, oder bündeln Sie ihn in eine bestehende Next.js- oder Node-App.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Mastra.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- TypeScript- und JavaScript-Entwickler
- Full-Stack- und Frontend-Entwickler
- Startups, die KI-Features prototypen
Aufgaben
- Autonome Agenten bauen
- Mehrstufige Prozesse orchestrieren
- Gedächtnis und Kontext ergänzen
- Agenten im Produktivbetrieb überwachen
Szenarien
- Kundensupport-Agenten, die Bestellungen nachschlagen und an einen Menschen übergeben
- Fach-Copiloten fürs Programmieren, Recht oder Recherche
- Einen MCP-Server veröffentlichen
Wichtigste Funktionen
Modell-Routing über viele Anbieter
Mastra verbindet sich über eine einzige Schnittstelle mit Dutzenden Modellanbietern, daher bedeutet der Wechsel von OpenAI zu Anthropic oder Gemini nicht, dass Sie Ihren Integrationscode neu schreiben. Sie tauschen ein Modell. Sie behalten Ihre Logik. Die Website wirbt mit über 90 Anbietern, während das GitHub-README über 40 nennt, also prüfen Sie die aktuelle Doku, bevor Sie annehmen, ein bestimmter Anbieter sei abgedeckt.
Graphbasierte Workflows
Wenn das freie Denken eines Agenten zu locker ist, geben Workflows Ihnen ausdrücklichen Halt. Sie verketten Schritte mit .then(), verzweigen bedingt mit .branch() und führen Arbeit parallel mit .parallel() aus. Das liest sich wie Code, weil es Code ist. So bleiben komplexe mehrstufige Prozesse debugbar.
Human-in-the-loop
Sie können einen Agenten oder einen Workflow anhalten und warten, bis eine Person freigibt oder etwas eingibt, bevor es weitergeht. Mastra speichert den Ausführungszustand, also kann ein pausierter Lauf Stunden oder Tage liegen und genau dort weitermachen, wo er gestoppt hat. Das macht freigabegesteuerte Automatisierungen praktikabel statt zerbrechlich. Kein verlorener Kontext.
Gedächtnis- und Kontextverwaltung
Agenten bekommen den Gesprächsverlauf plus Abrufe aus Ihren eigenen Quellen, etwa APIs, Datenbanken und Dateien. Mastra bietet außerdem eine Arbeits- und semantische Gedächtnisschicht, damit ein Agent relevante Details über eine lange Aufgabe hinweg behält. Sie steuern, welcher Kontext in jedem Schritt hineingeht, statt alles in den Prompt zu werfen.
Unterstützung für MCP-Server
Mastra kann Model-Context-Protocol-Server schreiben und Ihre Agenten und Tools jedem System zugänglich machen, das dieses Protokoll spricht. So werden Ihre internen Tools zu Dingen, die andere KI-Clients aufrufen können, ohne jedes Mal eine eigene Integration zu bauen.
Integrierte Evals und Observability
Zuverlässige Agenten auszuliefern heißt, sie zu messen. Mastra bringt Evaluationswerkzeuge und Tracing von Haus aus mit, also sehen Sie jeden Denkschritt, erkennen, wo ein Agent abdrifftet, und verbessern, ohne zu raten. Die meisten Teams bauen diesen Teil selbst. Hier ist er dabei.
Flexibles Deployment
Sie können Agenten in eine bestehende React-, Next.js- oder Node.js-App einbinden oder als eigenständige Endpunkte ausliefern. Zu den Frontend-Integrationen gehören die AI-SDK-UI von Vercel und CopilotKit. Die Chat-Oberfläche müssen Sie nicht selbst bauen.
Vor- und Nachteile
Vorteile
- Open Source unter der Apache-2.0-Lizenz, also können Sie es in kommerziellen Projekten nutzen, ohne für das Framework selbst zu zahlen.
- Native TypeScript-Unterstützung bedeutet starke Typisierung, Editor-Autovervollständigung und Prüfungen zur Kompilierzeit, während Sie Agenten bauen.
- Modell-Routing entkoppelt Ihren Code von jedem einzelnen Anbieter, was die Kosten senkt, ein anderes Modell auszuprobieren.
- Observability und Evals sind integriert, also schrauben Sie die Überwachung nicht erst nach dem Start an.
- Es wird als eigenständiger Server oder in einer bestehenden App bereitgestellt, was Ihnen eine Wahl lässt statt eines erzwungenen Wegs.
Nachteile
- Von Grund auf code-zentriert, also können Nicht-Entwickler damit nicht bauen; es gibt keinen visuellen Drag-and-drop-Baukasten für das Kernframework.
- Einige neuere Funktionen, darunter der Agenten-Baukasten, sind als experimentell gekennzeichnet und brauchen für den Produktivbetrieb eine Enterprise-Lizenz.
- Die Enterprise-Preise werden auf der Website nicht veröffentlicht, also müssen Teams mit Budgetfragen den Vertrieb kontaktieren, um eine Zahl zu bekommen.
Häufige Fragen
Mastra ist ein Framework in TypeScript zum Erstellen von KI-Agenten und KI-gestützten Anwendungen. Entwickler nutzen es, um autonome Agenten zu bauen, mehrstufige Workflows zu orchestrieren, Gedächtnis und Abrufe zu ergänzen und Agenten im Produktivbetrieb zu überwachen, alles in einem normalen TypeScript-Projekt.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Mastra.
Alternativen zu Mastra
Forefront
Forefront · CodingForefront ist eine Webplattform zum Bauen mit Open-Source-KI. Sie lassen sich führende Open-Source-Sprachmodelle mit eigenen Daten feintunen, ihre Leistung bewerten und sie über eine API ausführen oder exportieren, um sie selbst zu hosten. Entwickler, die den Komfort einer geschlossenen Plattform wollen, aber darauf bestehen, ihre Modelle und Daten zu besitzen, sind hier die Zielgruppe.
Startkit
StartKit.AI · CodingStartkit ist ein Boilerplate zum Bauen von KI-SaaS-Produkten und KI-Wrappern. Man kann es sich als KI-Startup-Boilerplate vorstellen, bei dem die langweiligen Teile schon verdrahtet sind: Authentifizierung, Zahlungen über Stripe und Lemon Squeezy, Nutzungslimits, transaktionale E-Mail und ein KI-API-Starter-Kit, das mit OpenAI, Anthropic, Groq oder Llama spricht. Man klont das Repository, setzt seinen Preis und kümmert sich um den Teil des Produkts, für den Menschen wirklich bezahlen. Es basiert auf Next.js über React und Tailwind, deshalb fühlt sich ein Großteil des Boilerplate-Codes schon vertraut an.
Testim
Tricentis · CodingTestim ist eine KI-gestützte Plattform für Testautomatisierung, mit der man End-to-End-Tests für Web-, Mobile- und Salesforce-Anwendungen baut und ausführt. Sie setzt auf maschinelles Lernen, um Tests stabil zu halten, wenn sich eine Oberfläche ändert, sodass Teams weniger Zeit mit der Reparatur kaputter Selektoren verbringen. Nicht schlecht für ein Tool für automatisierte Tests, das Sie heute schon nutzen können. Sie erstellen Tests, indem Sie Aktionen im Browser aufzeichnen, und fügen danach JavaScript hinzu, wenn Sie mehr Kontrolle brauchen. Für ein beschäftigtes QA-Team eine solide Wahl.