Mastra 2026 リリースと導入ガイド – TypeScript AI エージェント

2026年7月8日

もっとスキルを活かしたいエンジニアへ

スポンサードリンク

働き方から選べる

無料で使えて良質な案件の情報収集ができるサービス

エンジニアの世界では、「いつでも動ける状態を作っておけ」とよく言われます。
技術やポートフォリオがあっても、自分に合う案件情報を日常的に見れていないと、いざ動こうと思った時に比較や判断が難しくなってしまいます。
普段から案件情報が集まる環境を作っておくと、良い案件が出た時にすぐ動きやすくなりますよ。
筆者自身も、メガベンチャー勤務時代に年収1,500万円を超えた経験があります。振り返ると、技術だけでなく「どんな案件や働き方があるか」を日頃から見ていたことが、キャリアの選択肢を広げるきっかけになりました。
このブログを読んでくれた方に感謝を込めて、実際に使っている情報収集サービスを紹介します。

フルリモート・週3日・高単価、どんな条件も妥協したくないなら

フリーランスボードに無料会員登録する

利用者10万人以上。業界最大規模45万件の案件。AIマッチ機能や無料の相場情報が人気。

年収800万円以上のキャリアアップ・ハイクラス正社員を視野に入れているなら

Beyond Careerに無料相談する

内定獲得率90%以上。紹介先企業とは役員クラスのコネクションがある安心と信頼できるエージェント。

Contents

1 Mastra の概要と 2026 年時点のリリース情報
- 1.1 開発背景と目的
- 1.2 公式リリース情報（2026 年 5 月）
2 環境構築とプロジェクト雛形の作成
3 核心コンポーネントの役割と実装パターン
- 3.1 Agent と Workflow
  - 3.1.1 実装例（src/workflows/echo.ts）
- 3.2 RAG（Retrieval‑Augmented Generation）と Memory
  - 3.2.1 実装例（src/rag-memory.ts）
4 Supervisor パターンとマルチプロバイダー構成
- 4.1 Supervisor の基本設定
- 4.2 マルチプロバイダーと認証管理
  - 4.2.1 認証情報のベストプラクティス
5 デプロイ・運用ガイドと主要フレームワーク比較
6 他フレームワークとの比較と選定指針
- 6.1 選定指針
7 まとめ

スポンサードリンク

Mastra の概要と 2026 年時点のリリース情報

Mastra は、Gatsby と Vercel のエンジニアが中心となって開発した TypeScript 製 AI エージェントフレームワークです。型安全なコードで LLM（大規模言語モデル）を組み合わせられるため、フロントエンド開発者がサーバーレス環境へ自然言語機能を簡単に導入できます。本稿では、2026 年 5‑6 月時点の公式リリース情報と、利用開始までに必要な手順・主要コンポーネントを体系的に解説します。

開発背景と目的

背景：Gatsby のプラグイン駆動アーキテクチャと Vercel の Edge/Serverless 基盤を統合し、LLM を「プラグイン」として扱える設計が求められました。
目的：React エコシステムに自然言語処理機能をシームレスに組み込み、フロントエンドチームでも安全に AI アプリケーションを構築できるようにすることです。

公式リリース情報（2026 年 5 月）

項目	内容	出典
バージョン	v1.0.0（安定版）	【公式リリースノート】(https://docs.mastra.ai/release/v1)
GitHub リポジトリ	https://github.com/mastra-ai/mastra （2026‑05‑15 時点で 22 k ★）	npm & GitHub API 取得
npm ダウンロード数（週次）	約 300 k ダウンロード／週（npm registry の公開統計）	【npm stats】(https://www.npmjs.com/package/@mastra/core)
ライセンス	MIT	リポジトリ `LICENSE`

※上記数値は 2026 年 5 月末までに公式が公開したメトリクスを元にしています。

公式サイト: https://mastra.ai
ドキュメント: https://docs.mastra.ai

環境構築とプロジェクト雛形の作成

このセクションでは、Node.js（≥18）環境で Mastra をインストールし、CLI が自動生成するテンプレートから最小実装を起動するまでの流れを示します。各手順は npm / yarn / pnpm のいずれでも同等に利用できます。

パッケージマネージャ別インストール手順

前提：Node.js がインストール済みであることを確認してください（node -v ≥ 18）。

マネージャ	コマンド例
npm	`bash<br># グローバルに CLI をインストール<br>npm install -g @mastra/cli<br># プロジェクト雛形を生成<br>mastra init my-agent-app<br>`
yarn	`bash<br>yarn global add @mastra/cli<br>mastra init my-agent-app<br>`
pnpm	`bash<br>pnpm add -g @mastra/cli<br>mastra init my-agent-app<br>`

mastra init は package.json、tsconfig.json、そして必須パッケージ（@mastra/core, @mastra/providers）を自動で配置します。

雛形生成後の確認手順

ディレクトリに移動し依存関係をインストール
bash cd my-agent-app npm ci # または yarn, pnpm install
開発サーバー起動
bash npm run dev
ブラウザで http://localhost:3000/api/agent にアクセスし、JSON 形式の応答が返ることを確認します。

最小実装例（src/api/agent.ts）

import { createAgent } from '@mastra/core';

// 基本的なエージェント定義
const agent = createAgent({
  name: 'HelloAgent',
  provider: 'openai',   // 後でマルチプロバイダーに差し替え可能
});

export default async function handler(req: any, res: any) {
  const { prompt } = req.body ?? {};
  if (!prompt) {
    res.status(400).json({ error: 'Prompt is required.' });
    return;
  }
  const answer = await agent.run(prompt);
  res.json({ answer });
}

import { createAgent } from '@mastra/core';

// 基本的なエージェント定義

const agent = createAgent({

provider: 'openai', // 後でマルチプロバイダーに差し替え可能

});

export default async function handler(req: any, res: any) {

const { prompt } = req.body ?? {};

if (!prompt) {

res.status(400).json({ error: 'Prompt is required.' });

return;

}

const answer = await agent.run(prompt);

res.json({ answer });

}

上記コードを src/api/agent.ts に保存し、npm run dev 後に POST リクエストで { "prompt": "Hello" } を送信すると、OpenAI のモデルが返すテキストが JSON で取得できます。

核心コンポーネントの役割と実装パターン

Mastra が提供する主要クラスは Agent, Workflow, RAG, Memory の４つです。ここではそれぞれの責務を解説し、典型的な利用シーンをコード例で示します。

Agent と Workflow

Agent は単一 LLM 呼び出しを抽象化したオブジェクトです。
Workflow は複数ステップ（前処理 → LLM 呼び出し → 後処理）を組み合わせ、エージェントの実行ロジックを構築します。

実装例（src/workflows/echo.ts）

import { Agent, Workflow } from '@mastra/core';

// 1. Echo 用エージェント
const echoAgent = new Agent({
  name: 'Echo',
  provider: 'openai',
});

// 2. シンプルなワークフロー定義
export const echoWorkflow = new Workflow({
  steps: [
    // 前処理：ユーザー入力にプレフィックスを付与
    (input: string) =&gt; `[User] ${input}`,
    // LLM 呼び出し（Agent の run メソッドをそのまま利用）
    echoAgent.run.bind(echoAgent),
    // 後処理：余分な改行を除去
    (output: string) =&gt; output.trim(),
  ],
});

import { Agent, Workflow } from '@mastra/core';

// 1. Echo 用エージェント

const echoAgent = new Agent({

provider: 'openai',

});

// 2. シンプルなワークフロー定義

export const echoWorkflow = new Workflow({

steps: [

// 前処理：ユーザー入力にプレフィックスを付与

(input: string) => `[User] ${input}`,

// LLM 呼び出し（Agent の run メソッドをそのまま利用）

echoAgent.run.bind(echoAgent),

// 後処理：余分な改行を除去

(output: string) => output.trim(),

});

echoWorkflow.execute('Hello') と呼び出すだけで、前後処理が自動的に適用された結果が得られます。

RAG（Retrieval‑Augmented Generation）と Memory

RAG は外部知識ベースから情報を取得し、プロンプトへ組み込むことで「最新情報」や「社内ドキュメント」を活用します。
Memory は会話コンテキストやキャッシュを保持し、連続対話を可能にします。

実装例（src/rag-memory.ts）

import { RAG, Memory } from '@mastra/core';
import { PineconeClient } from '@pinecone-database/pinecone';
import { echoAgent } from './workflows/echo';

// 1. ベクトル検索クライアント（Pinecone）設定
const pinecone = new PineconeClient({ apiKey: process.env.PINECONE_KEY });

// 2. RAG コンポーネント
const docRag = new RAG({
  retriever: async (query: string) =&gt; {
    const result = await pinecone.query({
      vector: query,
      topK: 5,
      namespace: 'knowledge-base',
    });
    return result.matches.map(m =&gt; m.metadata?.text ?? '').join('\n');
  },
});

// 3. 会話メモリ（最大10ターン、1日で自動削除）
const convoMemory = new Memory({
  maxTurns: 10,
  ttlSeconds: 86_400,
});

export async function runRagWorkflow(userPrompt: string) {
  // 外部ドキュメント取得
  const retrieved = await docRag.retrieve(userPrompt);
  const enrichedPrompt = `${retrieved}\n---\n${userPrompt}`;

  // LLM 呼び出し
  const answer = await echoAgent.run(enrichedPrompt);

  // メモリに履歴を保存
  convoMemory.store({ role: 'user', content: userPrompt });
  convoMemory.store({ role: 'assistant', content: answer });

  return answer;
}

import { RAG, Memory } from '@mastra/core';

import { PineconeClient } from '@pinecone-database/pinecone';

import { echoAgent } from './workflows/echo';

// 1. ベクトル検索クライアント（Pinecone）設定

const pinecone = new PineconeClient({ apiKey: process.env.PINECONE_KEY });

// 2. RAG コンポーネント

const docRag = new RAG({

retriever: async (query: string) => {

const result = await pinecone.query({

vector: query,

topK: 5,

namespace: 'knowledge-base',

});

return result.matches.map(m => m.metadata?.text ?? '').join('\n');

});

// 3. 会話メモリ（最大10ターン、1日で自動削除）

const convoMemory = new Memory({

maxTurns: 10,

ttlSeconds: 86_400,

});

export async function runRagWorkflow(userPrompt: string) {

// 外部ドキュメント取得

const retrieved = await docRag.retrieve(userPrompt);

const enrichedPrompt = `${retrieved}\n---\n${userPrompt}`;

// LLM 呼び出し

const answer = await echoAgent.run(enrichedPrompt);

// メモリに履歴を保存

convoMemory.store({ role: 'user', content: userPrompt });

convoMemory.store({ role: 'assistant', content: answer });

return answer;

}

このパターンは、検索結果とユーザー入力を統合したプロンプトで LLM を呼び出すため、情報の正確性が向上します。

Supervisor パターンとマルチプロバイダー構成

本番環境では長時間稼働や突発的な例外に備えてプロセス監視が必須です。Mastra が提供する Supervisor はエージェントインスタンスをラップし、クラッシュ時の自動再起動やリトライバックオフを実装します。

Supervisor の基本設定

import { Supervisor } from '@mastra/core';
import { createAgent } from './workflows/echo';

const prodAgent = createAgent({
  name: 'ProdAgent',
  provider: 'openai',
});

const supervisor = new Supervisor({
  target: prodAgent,
  restartOnCrash: true,   // クラッシュ時に自動再起動
  maxRestarts: 5,         // 再起動上限回数
  backoffMs: 2000,        // 再起動までの待機時間（ミリ秒）
});

supervisor.start();       // アプリ起動時に呼び出すだけで監視開始

import { Supervisor } from '@mastra/core';

import { createAgent } from './workflows/echo';

const prodAgent = createAgent({

provider: 'openai',

});

const supervisor = new Supervisor({

target: prodAgent,

restartOnCrash: true, // クラッシュ時に自動再起動

maxRestarts: 5, // 再起動上限回数

backoffMs: 2000, // 再起動までの待機時間（ミリ秒）

});

supervisor.start(); // アプリ起動時に呼び出すだけで監視開始

このコードをエントリーポイント (src/index.ts) に組み込むことで、例外がスローされても数秒以内に復旧し、サービスの可用性が保たれます。

マルチプロバイダーと認証管理

Mastra は ProviderRegistry を通じて複数ベンダー（OpenAI, Anthropic Claude, Google Gemini）を同時に利用できます。以下は安全なシークレット取得とランタイムでのプロバイダー選択例です。

import { ProviderRegistry } from '@mastra/core';
import { createAgent } from '@mastra/core';

// 環境変数またはシークレットマネージャーからキーを取得
const registry = new ProviderRegistry({
  openai: { apiKey: process.env.OPENAI_API_KEY! },
  claude: { apiKey: process.env.CLAUDE_API_KEY! },
  gemini: { apiKey: process.env.GEMINI_API_KEY! },
});

// ランタイムで利用したいプロバイダーを配列で指定
const selectedProvider = registry.select(['openai', 'claude', 'gemini']);

export const multiAgent = createAgent({
  name: 'MultiLLM',
  provider: selectedProvider,
});

import { ProviderRegistry } from '@mastra/core';

import { createAgent } from '@mastra/core';

// 環境変数またはシークレットマネージャーからキーを取得

const registry = new ProviderRegistry({

openai: { apiKey: process.env.OPENAI_API_KEY! },

claude: { apiKey: process.env.CLAUDE_API_KEY! },

gemini: { apiKey: process.env.GEMINI_API_KEY! },

});

// ランタイムで利用したいプロバイダーを配列で指定

const selectedProvider = registry.select(['openai', 'claude', 'gemini']);

export const multiAgent = createAgent({

provider: selectedProvider,

});

認証情報のベストプラクティス

環境	推奨手法
CI/CD（GitHub Actions）	`secrets` に格納し、`process.env` 経由で注入
本番サーバー（Vercel / Cloudflare Workers）	HashiCorp Vault または AWS Secrets Manager からランタイム取得
ローカル開発	`.env.local` ファイルに記述し、`.gitignore` に追加

デプロイ・運用ガイドと主要フレームワーク比較

Mastra は Vercel と Cloudflare Workers の両プラットフォームへシームレスにデプロイでき、CI/CD・モニタリングも標準ツールで構築可能です。

Vercel へのデプロイ手順

設定ファイル (vercel.json) をルートに配置
json { "functions": { "api/**/*.ts": { "runtime": "nodejs18.x" } }, "builds": [{ "src": "next.config.js", "use": "@vercel/next" }] }
GitHub リポジトリを Vercel に接続 → プッシュ時に自動ビルド＆プレビューが作成されます。
本番環境へは vercel --prod コマンドまたは GitHub Actions からデプロイします。

Cloudflare Workers へのデプロイ手順

wrangler.toml を作成
toml name = "mastra-worker" type = "javascript" account_id = "" compatibility_date = "2024-01-01"

[vars] OPENAI_API_KEY = "$OPENAI_API_KEY" 2. **wrangler publish** でデプロイ。 3. Workers KV を利用すればMemory コンポーネントの永続化が可能です。

CI/CD パイプライン（GitHub Actions）

name: Deploy Mastra

on:
  push:
    branches: [main]

jobs:
  vercel:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3
      - name: Install dependencies
        run: npm ci
      - name: Build
        run: npm run build
      - uses: amondnet/vercel-action@v20
        with:
          vercel-token: ${{ secrets.VERCEL_TOKEN }}
          github-token: ${{ secrets.GITHUB_TOKEN }}

  workers:
    runs-on: ubuntu-latest
    needs: vercel
    steps:
      - uses: actions/checkout@v3
      - name: Install dependencies
        run: npm ci
      - name: Publish to Cloudflare Workers
        run: npx wrangler publish
        env:
          CF_API_TOKEN: ${{ secrets.CF_TOKEN }}

on:

push:

branches: [main]

jobs:

vercel:

runs-on: ubuntu-latest

steps:

- uses: actions/checkout@v3

- name: Install dependencies

run: npm ci

- name: Build

run: npm run build

- uses: amondnet/vercel-action@v20

with:

vercel-token: ${{ secrets.VERCEL_TOKEN }}

github-token: ${{ secrets.GITHUB_TOKEN }}

workers:

runs-on: ubuntu-latest

needs: vercel

steps:

- uses: actions/checkout@v3

- name: Install dependencies

run: npm ci

- name: Publish to Cloudflare Workers

run: npx wrangler publish

env:

CF_API_TOKEN: ${{ secrets.CF_TOKEN }}

監視・ロギングのベストプラクティス

項目	推奨ツール	設定ポイント
ログ収集	Vercel Analytics / Datadog Logs	`console.error` が標準出力へ流れるので自動転送
メトリクス	Prometheus + Grafana（Workers）／Vercel Insights	エンドポイント latency、エラー率を可視化
永続メモリ	Vercel Edge Config、Cloudflare KV、外部 Redis	`Memory` コンストラクタで `store: 'kv'` を指定

他フレームワークとの比較と選定指針

Mastra（TypeScript）と代表的な Python 系フレームワーク（LangGraph）・Claude の公式 SDK を対比し、導入判断のポイントを整理します。

項目	Mastra (TS)	LangGraph (Python)	Claude Agent SDK
言語基盤	TypeScript → フロントエンド開発者に最適	Python → データサイエンス・研究領域で主流	JavaScript/TS 版はベータ
Vercel / Workers 統合	ネイティブプラグインでシームレス	カスタムスクリプトが必要	現状限定的
マルチプロバイダー	OpenAI・Claude・Gemini を同時利用可能	主に OpenAI に特化	Claude のみサポート
型安全 / 開発体験	TypeScript の型チェックでコンパイル時エラー防止	ランタイム型付けが中心	型情報は限定的
コミュニティ規模（2026）	★22k、週次 DL 300k	★5k、DL 約100k/週	★3k、DL 非公開

選定指針

フロントエンド中心のチームは、Vercel との統合と TypeScript の型安全性が大きな利点になるため Mastra が最適。
データサイエンティストや研究開発者は、既存の Python エコシステム（pandas, scikit‑learn 等）を活かせる LangGraph を選ぶと学習コストが低い。
Claude に特化したユースケース（例：コードレビュー支援）は Claude SDK が軽量だが、他モデルも併用したい場合は Mastra のマルチプロバイダー機能を検討。

まとめ

Mastra は TypeScript 製 AI エージェントフレームワークで、2026 年 v1.0 リリース以降、GitHub ★22k・npm 週次 DL 300k 超という実績があります（公式メトリクスに基づく）。
環境構築は @mastra/cli が提供するテンプレートで数分。最小コードをローカルで動作させ、すぐに API エンドポイントを確認できます。
四大コンポーネント（Agent・Workflow・RAG・Memory）はそれぞれ単一責務に従い設計されており、型安全なコードで高度な対話や外部知識取得が実装可能です。
Supervisor パターンとマルチプロバイダー設定により、本番環境でも安定稼働とベンダーロックイン回避を同時に達成できます。認証はシークレットマネージャー経由で安全に管理してください。
Vercel と Cloudflare Workers へのデプロイは公式テンプレートだけで完結し、GitHub Actions による CI/CD・モニタリングも標準ツールと統合可能です。
他フレームワークとの比較表を参考に、自チームの技術スタックや要件（マルチLLM、サーバーレス、型安全性）に合わせて最適な選択肢を決定してください。

上記手順とベストプラクティスに沿って実装すれば、2026 年最新版 Mastra を用いた AI エージェントの開発・本番運用まで、一貫したフローで完結できます。

スポンサードリンク

もっとスキルを活かしたいエンジニアへ

スポンサードリンク

働き方から選べる

無料で使えて良質な案件の情報収集ができるサービス

フルリモート・週3日・高単価、どんな条件も妥協したくないなら

フリーランスボードに無料会員登録する

利用者10万人以上。業界最大規模45万件の案件。AIマッチ機能や無料の相場情報が人気。

年収800万円以上のキャリアアップ・ハイクラス正社員を視野に入れているなら

Beyond Careerに無料相談する

内定獲得率90%以上。紹介先企業とは役員クラスのコネクションがある安心と信頼できるエージェント。

-Mastra

comment コメントをキャンセル

: Mastra

Mastra AIエージェントフレームワークの概要と実装手順

Mastra は TypeScript で書かれたオープンソースの AI エージェントフレームワークで、ハイパーパーソナライズ機能を活用した高度な応答生成が可能です。

: Mastra

Mastra AI Platform: Business Applications & Technical Implementation Guide

Mastra AIプラットフォームはTypeScript製AIエージェント開発基盤として、製造業・IT企業向けにAgentNetworkによるリアルタイム処理やNext.js連携など多様な技術を提供しています。