MastraがTS版『LangGraph』として急速に台頭
Mastraは2024年に登場したTypeScript製AIエージェントフレームワークで、LangGraph・CrewAI等のPython中心エージェントフレームワークに対するTS生態系での解答として急速に注目を集めています。Workflow・Memory・Tools・RAG・Voice等のエージェント構築コンポーネントが一通り揃い、Next.js・Cloudflare Workers・サーバーレス環境への統合が容易な点が特徴です。Vercel・各種AIスタートアップでの本番採用例が公開されています。
採用すべき5つのシグナル
- AIエージェント（自律的にツールを呼ぶLLMアプリ）を構築したい
- LangChain/LangGraphをPythonで書くことに抵抗がある
- Vercel AI SDKだけでは複雑なエージェントフローが書けない
- RAG・Memory・Voice等の機能を統合したい
- TS生態系のサーバーレスとAIエージェントを組み合わせたい
LangGraph/CrewAI/Mastra比較
LangGraph: Python・グラフベースワークフロー・LangChain統合。
CrewAI: Python・マルチエージェント協調・分業設計。
AutoGen: Microsoft製・Python中心・複数エージェント対話。
Mastra: TypeScript・サーバーレス対応・Vercel AI SDK互換性・全機能統合。
使い分け: Pythonエコシステム中心ならLangGraph・TS中心ならMastra。
Mastraの主要コンポーネント
- Agents: LLM+Tools+Memoryで構成されるエージェント単位
- Workflows: 複数エージェントの協調・条件分岐・並列実行
- Tools: Web Search・データベース・API呼び出し等の道具
- Memory: 会話履歴・長期記憶・Embedding検索
- RAG: ドキュメント取り込み・ベクトル化・検索
- Voice: 音声入出力（STT/TTS）統合
実装の基本パターン
(1) Agent定義: const agent = new Agent({ name, instructions, model, tools })
(2) Tool定義: const weatherTool = createTool({ id, description, execute })
(3) Workflow: workflow.step(agentA).step(agentB).commit()
(4) Memory統合: pgvector・Pinecone・Upstash等のベクトルDB連携
(5) 実行: const result = await agent.generate(prompt)
本番採用の判断基準
(1) 本番実績: 2024年公開以降の本番採用例が増加中・エンタープライズはまだ少なめ
(2) コミュニティ: Discord・GitHub活発・ドキュメント充実中
(3) ベンダーロックイン: OSS・Self-host可能・MastraクラウドはSaaS
(4) パフォーマンス: TS型完全・サーバーレス起動が高速
実装で詰まる3つの落とし穴
- Workflowの複雑度: 段階多すぎると保守困難・適切な分割が必要
- Memory設計: 短期・長期メモリの境界が曖昧で精度が低下することがある
- 料金管理: マルチエージェントで API呼び出し回数が爆発・コスト制限必要
30日学習プラン
- 1週目: Mastra基本セットアップ・単一エージェント＋Tools
- 2週目: Workflow設計・複数エージェント協調
- 3週目: Memory・RAG統合・pgvector連携
- 4週目: 本番デプロイ・Vercel/Cloudflare Workers連携
関連リンク
Vercel AI SDKは Vercel AI SDK深掘り、RAG構築は RAG構築ガイド、AI Agent全般は AI Agentフレームワーク選び方 を参照してください。pgvector連携は pgvector深掘り もどうぞ。
