Mastra 完全ガイド｜TypeScript で構築する AI エージェントフレームワーク・Claude/OpenAI連携【2026】

AI エージェント開発の主流が Python に集中する中、「TypeScript で AI エージェントを書きたい」というニーズに応える形で登場したのが Mastra です。Vercel・Next.js エコシステムで開発する企業や、フロントエンドとバックエンドを TypeScript で統一したい開発組織にとって、Mastra は LangGraph（Python）の TypeScript 版に近い位置づけを担います。

本記事では、Mastra の Agents/Workflows/RAG/Memory の 4 機能を実装例とともに整理し、Claude/OpenAI/Gemini マルチプロバイダー対応の方法、LangGraph（Python）との棲み分け、Production 移行パターンまで解説します。掲載するコード例は2026年6月初頭時点のものですが、Mastra は急速に進化しているため、最新仕様は 公式サイト でご確認ください。

Mastra とは何か：TypeScript ベースのAIエージェント基盤

Mastra は TypeScript で構築するための AI エージェントフレームワークで、Vercel チームのメンバーが立ち上げた新興プロジェクトです。OpenAI / Anthropic / Google などのマルチプロバイダー対応、Next.js / Cloudflare Workers との統合、TypeScript の型安全性を最大限活用した設計が特徴です。

4つのコア機能

機能	役割	類似
Agents	タスクを実行するエージェント定義	LangGraph Node
Workflows	複数エージェントの連携フロー	LangGraph Graph
RAG	外部データ検索＋応答生成	LangChain Retrieval
Memory	会話履歴・長期記憶管理	LangGraph Checkpointer

Mastra のセットアップ手順

1. Node.js 18以上 + pnpm のインストール：Mastra は最新の TypeScript 環境が必要
2. 新規プロジェクト作成：pnpm create mastra@latest
3. 環境変数設定：.env に ANTHROPIC_API_KEY または OPENAI_API_KEY
4. 初期 Agent 定義：src/mastra/agents/ に TypeScript ファイル作成
5. 開発サーバー起動：pnpm run dev で playground 起動
6. API エンドポイント確認：localhost:4111 でブラウザから動作確認
7. Production ビルド：pnpm run build で本番ビルド
8. Vercel/Cloudflare へデプロイ：Mastra は Edge Runtime 対応

Agent 定義の基本例（Claude 連携）

// src/mastra/agents/sales-assistant.ts
import { Agent } from '@mastra/core/agent';
import { anthropic } from '@ai-sdk/anthropic';

export const salesAssistant = new Agent({
  name: 'Sales Assistant',
  instructions: `
    あなたは中小企業の営業担当者向けの AI アシスタントです。
    顧客情報を整理し、提案書のドラフトを作成します。
    日本語で丁寧に応答してください。
  `,
  model: anthropic('claude-opus-4-7'),
  tools: {
    // ツール定義は後述
  },
});

これだけで Claude モデルを使った AI エージェントの基本骨格ができます。

Tool（ツール）の定義例

// src/mastra/tools/crm-lookup.ts
import { createTool } from '@mastra/core/tools';
import { z } from 'zod';

export const crmLookup = createTool({
  id: 'crm-lookup',
  description: 'CRM から顧客情報を取得します',
  inputSchema: z.object({
    customerId: z.string().describe('顧客ID'),
  }),
  execute: async ({ context: { customerId } }) => {
    // CRM API を呼び出す（実装例）
    const response = await fetch(`/api/crm/${customerId}`);
    return await response.json();
  },
});

Zod スキーマで型安全なツール入出力が定義できるのが Mastra の強みです。LangGraph（Python）の Pydantic と同じ思想ですが、TypeScript エコシステムでは Zod が一般的。

Workflow（複数エージェント連携）の実装例

// src/mastra/workflows/proposal-flow.ts
import { createWorkflow, createStep } from '@mastra/core/workflows';
import { z } from 'zod';
import { salesAssistant, proposalDrafter } from '../agents';

const researchStep = createStep({
  id: 'research',
  inputSchema: z.object({ customerId: z.string() }),
  outputSchema: z.object({ customerProfile: z.string() }),
  execute: async ({ inputData }) => {
    const result = await salesAssistant.generate(
      `顧客 ${inputData.customerId} を調査して`
    );
    return { customerProfile: result.text };
  },
});

const draftStep = createStep({
  id: 'draft',
  inputSchema: z.object({ customerProfile: z.string() }),
  outputSchema: z.object({ proposal: z.string() }),
  execute: async ({ inputData }) => {
    const result = await proposalDrafter.generate(
      `この顧客向けに提案書を作って: ${inputData.customerProfile}`
    );
    return { proposal: result.text };
  },
});

export const proposalFlow = createWorkflow({
  id: 'proposal-flow',
  inputSchema: z.object({ customerId: z.string() }),
  outputSchema: z.object({ proposal: z.string() }),
})
  .then(researchStep)
  .then(draftStep)
  .commit();

2つのエージェントを直列に繋いだフロー。各ステップの型は Zod で保証されるため、エラーが実行前に発見できます。

RAG（外部データ参照）の実装

// src/mastra/rag/knowledge-base.ts
import { MDocument } from '@mastra/rag';
import { embedMany } from 'ai';
import { openai } from '@ai-sdk/openai';

const doc = MDocument.fromText(socialKnowledgeText);

const chunks = await doc.chunk({
  strategy: 'recursive',
  size: 512,
  overlap: 50,
});

const { embeddings } = await embedMany({
  model: openai.embedding('text-embedding-3-small'),
  values: chunks.map(c => c.text),
});

// PgVector / Pinecone / Chroma などのベクトルDBに保存
await vectorStore.upsert({ vectors: embeddings, ... });

Mastra の RAG は LangChain の Retrieval よりシンプルな API。チャンク分割・埋め込み・検索の3ステップが直感的に書けます。

Memory（会話履歴管理）の実装

// src/mastra/agents/customer-support.ts
import { Memory } from '@mastra/memory';

const memory = new Memory({
  storage: new LibSQLStore({ url: 'file:./memory.db' }),
  options: {
    lastMessages: 10,
    semanticRecall: { topK: 3, messageRange: 2 },
  },
});

export const customerSupport = new Agent({
  name: 'Customer Support',
  instructions: 'ユーザーとの過去のやり取りを覚えています',
  model: anthropic('claude-opus-4-7'),
  memory,
});

会話履歴を SQLite/Postgres/Redis に保存。過去の会話を踏まえた応答が可能になります。

LangGraph（Python）との棲み分け

観点	Mastra	LangGraph
言語	TypeScript	Python
エコシステム	Vercel/Next.js	FastAPI/Django
対象開発者	フロントエンド・Webエンジニア	データサイエンティスト・MLE
学習コスト	低（型ヒントで補完）	中（State 設計）
Edge デプロイ	標準対応	非対応
企業内採用	急速に拡大中	既に標準

使い分けの目安

Mastra を選ぶケース：

• フロントエンドが Next.js / React で、バックエンドも TypeScript で統一したい
• Vercel / Cloudflare Workers で Edge デプロイしたい
• 開発チームがフロントエンドエンジニア中心
• 型安全性を最優先したい

LangGraph を選ぶケース：

• 機械学習・データ分析パイプラインと統合する
• 開発チームが Python ベース
• 科学計算ライブラリ（pandas/numpy）との連携が必要
• 既存の LangChain 資産を活用したい

マルチプロバイダー対応の実装

// 用途別にモデルを切り替える例
import { anthropic } from '@ai-sdk/anthropic';
import { openai } from '@ai-sdk/openai';
import { google } from '@ai-sdk/google';

// コード生成は Claude
const coder = new Agent({
  model: anthropic('claude-opus-4-7'),
  // ...
});

// 創造的文章は GPT
const writer = new Agent({
  model: openai('gpt-5-3'),
  // ...
});

// コスト最優先は Gemini
const summarizer = new Agent({
  model: google('gemini-3-5-flash'),
  // ...
});

同じ Agent インターフェースで複数モデルを並行運用可能。本記事「OpenRouter完全ガイド」のように OpenRouter 経由で集約することもできます。

Production 移行のベストプラクティス

1. 環境変数の Secret 管理：API キーは Vercel/Cloudflare の Environment Variables に保存
2. レート制限の実装：API キー使用量を per-user/per-IP で制限
3. エラーハンドリング：try/catch で各エージェント呼び出しを囲む
4. ロギング：構造化ログで全実行を記録（jsonl 推奨）
5. ヘルスチェック：定期的に Agent の応答性能を確認するエンドポイント
6. コスト監視：月次の API 使用量を Slack 通知
7. 段階的ロールアウト：5% → 25% → 50% → 100% でフィーチャーフラグ展開

よくある質問

Q1. Mastra は本番運用に耐えますか？

2026年6月時点で stable版がリリース済。Vercel・複数の中規模スタートアップで本番運用実績あり。エンタープライズ採用も増加中です。

Q2. LangChain の TypeScript 版（LangChain.js）との違いは？

Mastra はエージェント特化で軽量、LangChain.js は LangChain Python の機能完全移植。LangChain.js は重い・複雑な分、機能網羅性が高い。新規開発なら Mastra、既存 LangChain 資産があれば LangChain.js。

Q3. 学習コストはどれくらい？

TypeScript 経験者なら 1-2日で基本機能、1週間で本番運用レベルに到達可能。Python 経験のみの開発者は + 1週間で TypeScript 習得が必要。

Q4. 日本語対応は？

Mastra フレームワーク自体は言語非依存。日本語の AI 応答は使用する LLM（Claude/GPT/Gemini）の日本語能力に依存。Claude Opus 4.7+ なら高品質な日本語応答が可能。

Q5. データ保護はどうなっていますか？

Mastra はオープンソース、自社サーバーで完結する設計が可能。Memory・RAG のデータも自社管理。LLM プロバイダー（Claude/GPT/Gemini）のデータ保護ポリシーは各社準拠。

Q6. 中小企業の Web 開発チームでも導入できますか？

Next.js / TypeScript 経験のある開発者がいれば導入可能。社内に開発リソースが無い場合は外部 SI 経由の構築が現実的です。

Q7. コスト感は？

Mastra フレームワーク自体は無料（オープンソース）。コストは LLM API 利用料のみ（月数千〜数万円〜数十万円、利用量次第）。Vercel デプロイなら追加で月$20-200程度。

Q8. ChatGPT に組み込まれた AI エージェントを使えば良いのでは？

ChatGPT 内エージェントは ChatGPT の中だけで動作。自社プロダクトに組み込むには Mastra のようなフレームワークが必要です。社内ツール・顧客向けアプリで動かすなら別実装が前提。

まとめ：TypeScript エコシステムの AI エージェント新標準

Mastra は、これまで Python に偏っていた AI エージェント開発を TypeScript エコシステムに開いた、重要なフレームワークです。Next.js・Vercel・Cloudflare Workers で開発する企業にとって、Mastra は LangGraph と並ぶ第一選択肢になります。型安全性・Edge デプロイ・マルチプロバイダー対応の3軸で、2026年下半期の AI 開発で大きく存在感を増す見込みです。

本記事の情報は2026年6月初頭時点のものです。Mastra は急速進化中のため、最新の API 仕様・ベストプラクティスは 公式ドキュメント で必ずご確認ください。

---

佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー約10万人。100社以上の企業向けAI研修・導入支援。

参考・出典

• Mastra 公式サイト
• Mastra 公式ドキュメント
• Mastra GitHub リポジトリ

関連記事（自動）

• ▸ AIエージェント監視ツール比較｜OTel・LangSmith
• ▸ AIエージェント実装ロードマップ｜RAG・実行・運用の必須技術【2026】
• ▸ ReAct・Reflexion他｜AIエージェント推論パターン【2026】
• ▸ Claude Code Skills ガイド｜Skill自作7パターン+配布【2026】
• ▸ ストリーミング応答 実装ガイド｜SSE・トークン逐次表示【2026】