一、重新做Agent 的技术选型:为什么选 Mastra

01 · 为什么选 Mastra（调研 + 学习规划）

写 agent 写了很久，想系统地把一个框架吃透。动手前先做技术选型调研，发现网上很多说法是错的，自己也一度搞错了几个框架的定位。这篇记录调研过程、为什么选 Mastra，以及这个系列的学习规划。

一、先说结论

选 Mastra，一个 TypeScript 的 AI Agent 框架。

1. 生态全面 —— TypeScript 原生，经过检索之后发现最多的是TS和python，C++ 和C#也能做。但是热度明显没有TypeScript和python的高，由于我不是主做科研的，还是主要做产品化，所以我选择了TypeScript。
2. 覆盖全面 —— Agent + Workflow 双一等公民，一个框架两种范式
3. 自包含 —— 记忆、存储、可观测性全内置，不依赖商业平台
4. 开源自托管 —— 符合"云端方案整体开源"的诉求

二、调研过程

候选清单：

LangGraph（LangChain 公司） / LangChain / OpenClaw / AutoGen（微软） / Mastra

调研中纠正了三个认知错误：

1. OpenClaw 不是 Agent 开发框架

它是自托管 AI 助手网关——连接 25+ 聊天 App（WhatsApp/Telegram/Slack 等）到 AI agent 的运行环境 + 多渠道接入层，不提供构建 agent 的开发 API。定位和 LangGraph/Mastra 完全不同，不该放在一起比。

聊天 App（WhatsApp/Telegram/Slack...）→ Gateway 控制平面 → AI agent

2. AutoGen 已进入维护模式

微软官方明确标注：AutoGen is now in maintenance mode，不再接受新功能，新项目推荐用 Microsoft Agent Framework（MAF）。一个官方自己都不推荐新项目用的框架，选型时直接排除。

3. LangGraph 和 LangChain 是两个层级

LangChain  = agent 框架（模型/工具/loop 的抽象 + 集成）
LangGraph  = 低层编排运行时（图/状态机、持久执行、human-in-the-loop）
LangSmith  = 平台（tracing、评估、部署）

LangGraph 官方定位是 low-level orchestration framework，很底层，专注编排。要快速做 agent，官方推荐更高的 Deep Agents / LangChain agents。

三、横向对比

维度	LangGraph	LangChain	OpenClaw	AutoGen	Mastra
语言	Python(+JS)	Python(+JS)	TypeScript	Python(+.NET)	TypeScript
定位	低层编排运行时	agent 框架	AI 助手网关	多agent框架	agent框架(全栈)
开发框架？	是	是	否	是(维护中)	是
内置可观测性	否(靠LangSmith)	否(靠LangSmith)	有	有	有
内置记忆/存储	部分	部分	有	有	有(完整)

Star 数（调研时点）：LangGraph 38.5k / AutoGen 60.1k / OpenClaw 384.6k / Mastra ~10k，仅作量级参考。

四、排除逻辑与选择理由

OpenClaw  → 排除：不是开发框架，是运行环境，我不想从新在翻版一个自己的openclaw，我自己部署openclaw 使用起来感觉挺好的。主要是模型能力，但是常规的代码主力IDE我使用的是vscode。openclaw每天帮我生成一些每日简报，竞品调研什么的。但是由于我接入的是一个IQ4的Qwen35B-Moe模型导致了其实在做复杂任务的时候，质量也没有那么高，产出的东西总有一些我不满意的小问题。
AutoGen   → 排除：维护模式，官方推 MAF
LangGraph → 权衡：生态最大、招聘最多，但 Python 为主，
            且要凑齐 LangChain + LangSmith 全家桶，
            可观测性和部署强依赖商业平台

选 Mastra 的四个理由：TypeScript 语言热度比较高、Agent + Workflow 双范式、记忆/存储/可观测性全内置不依赖商业平台、开源自托管（呼应 AuraCore，云端方案整体开源）。

五、学习规划

以研究框架的方式学，不急着做应用。

阶段一：能力全貌（初级）—— 所有能力过一遍，每个写最小例子跑通
阶段二：源码深挖（高阶）—— 读源码，理解每个机制内部怎么设计的
阶段三：框架评估 —— 优势、缺陷、迭代史、如何设计一个好框架

每篇博客 = 一个知识点 = 最小 MVP 例子 + 学习笔记，与 examples/ 一一对应（博客编号 = 示例编号）：

博客	主题	examples 对应
00	为什么选 Mastra（本片，系列开篇）	-
01	官方模板初探	01-basic-agent
02	从 0 写极简 Agent（工具/记忆/存储/观测）	02-mini-agent
...	后续按进度展开	examples/03-...

每个示例保持最小 MVP：能跑、能验证一个知识点、讲清楚怎么初始化、怎么切换、怎么学习，不堆功能。

六、怎么开始

# 1. 拉取 Mastra 源码（本仓库不包含源码）
git clone https://github.com/mastra-ai/mastra.git mastra
# 更新源码：cd mastra && git pull

# 2. 跑示例（推荐从最简的 02 开始）
cd examples/02-mini-agent
cp .env.example .env    # 填入 DEEPSEEK_API_KEY（默认模型）
npm install
npm run dev             # 打开 http://localhost:4111

技术边界

已确认（本次调研）：OpenClaw 是网关非框架 / AutoGen 维护模式 / LangGraph 与 LangChain 分层 / Mastra 内置记忆存储可观测性。

待验证（后续学习补）：LangGraph.js 成熟度 / MAF 能力边界 / Mastra 社区规模与迭代速度 / 各框架对控制 ESP32 硬件的支持方式。

参考资料

• LangGraph: github.com/langchain-ai/langgraph
• OpenClaw: github.com/openclaw/openclaw
• AutoGen: github.com/microsoft/autogen
• Mastra: mastra.ai/docs

---

作者：杜文龙 · 2026-07-31
标签：[mastra][aiagent][typescript][技术选型]