Mastra

Mastra es un framework de TypeScript de código abierto para crear agentes de IA listos para producción y aplicaciones de IA de múltiples pasos. Fue creado en octubre de 2024 por el equipo detrás de Gatsby, liderado por Sam Bhagwat (CEO, cofundador de Gatsby), Abhi Aiyer (CTO, ex ingeniero principal de Netlify) y Shane Thomas (CPO, ex ingeniero de planta de Gatsby). El framework ingresó al lote de invierno de 2025 de Y Combinator y recaudó una ronda semilla de $13 millones en octubre de 2025 con el respaldo de Paul Graham, Guillermo Rauch (CEO de Vercel) y Amjad Masad (CEO de Replit). El núcleo tiene licencia Apache 2.0 y es gratuito para autoalojamiento.

Mastra incluye seis bloques de construcción primitivos: Agentes (Agents) para razonamiento abierto con acceso a herramientas, Flujos de trabajo (Workflows) para orquestación determinista de múltiples pasos utilizando una sintaxis de encadenamiento fluida con .then/.parallel/.branch/.foreach, canalizaciones RAG para recuperación de documentos, Memoria (Memory) con Observational Memory integrada (94.87% en el benchmark LongMemEval sin requerir una base de datos vectorial), Evaluaciones (Evals) para control de calidad basado en reglas y calificado por modelos, e integración de servidores MCP (Model Context Protocol). El framework enruta a través de más de 40 proveedores de modelos, incluyendo OpenAI, Anthropic y Gemini. Una herramienta complementaria llamada Mastra Studio permite a los desarrolladores reproducir cualquier ejecución de agente, inspeccionar cada llamada a herramientas y revisar el uso de tokens para depuración. Para abril de 2026, el proyecto contaba con más de 23,500 estrellas en GitHub, más de 300,000 descargas semanales en npm y despliegues en producción en Replit, PayPal, Adobe y Sanity.

Lo que Mastra realmente hace en abril de 2026

En su núcleo, Mastra es un framework backend de TypeScript. Los agentes se definen componiendo un proveedor de modelos, un conjunto de herramientas y, opcionalmente, una configuración de memoria. Los flujos de trabajo encadenan esos agentes y funciones simples de TypeScript utilizando una primitiva de estilo gráfico que se lee como código de módulo ordinario en lugar de requerir conocimientos de teoría de grafos. El sistema de suspensión/reanudación permite que un flujo de trabajo se pause a mitad de la ejecución, espere la aprobación humana o un evento externo, y se reanude exactamente donde se quedó. Los agentes pueden ejecutarse con cualquiera de los más de 40 proveedores de modelos compatibles y cambiar de proveedor sin reescribir la lógica del agente.

Mastra Studio es una interfaz de desarrollo local que se incluye con el framework. Cada ejecución de agente se almacena con un rastro completo: qué llamadas a herramientas se activaron, qué devolvió cada una, el recuento de tokens por paso y el prompt exacto enviado. Studio permite reproducir cualquier ejecución histórica para diagnosticar fallos sin depender de la salida de console.log. Un desarrollador que escribió en marzo de 2026 describió la experiencia: "La primera vez que reprodujo la ejecución de un agente y realmente entendió por qué falló, se dio cuenta de lo rara que es esa experiencia".

El sistema Observational Memory, lanzado en febrero de 2026, utiliza agentes en segundo plano para comprimir el historial de conversaciones antiguas en observaciones estructuradas en lugar de un truncamiento ingenuo de la conversación. Este enfoque alcanzó el 94.87% en el benchmark LongMemEval sin una base de datos vectorial, lo que el equipo reporta como el estado del arte en el momento de la publicación. Las canalizaciones RAG se integran de forma nativa con la misma infraestructura de recuperación, por lo que los equipos que construyen agentes de base de conocimientos pueden usar una única pila de memoria coherente en lugar de unir herramientas separadas.

El lanzamiento de @mastra/[email protected] el 28 de abril de 2026 es la última versión estable. El framework admite el despliegue en Vercel, Cloudflare Workers, Netlify y cualquier servidor Node.js estándar. Los Server Adapters, introducidos en la versión 1.0 de Mastra en enero de 2026, exponen automáticamente agentes, flujos de trabajo, herramientas y servidores MCP como endpoints HTTP para aplicaciones Express, Hono, Fastify o Koa. Esto significa que un agente de Mastra también es un endpoint de API sin configuración adicional.

Dónde se sitúa Mastra frente a Vercel AI SDK y LangChain

La comparación más común es con Vercel AI SDK, y merece una respuesta precisa porque estas herramientas a menudo se usan juntas en lugar de competir entre sí. Vercel AI SDK es un conjunto de herramientas optimizado para streaming para construir componentes de interfaz de usuario de React y Next.js que consumen modelos de IA. Maneja el streaming de modelos, llamadas básicas a herramientas y hooks de React para interfaces de chat. De hecho, Mastra utiliza AI SDK v6 internamente para el enrutamiento de modelos. El patrón de producción típico, documentado en múltiples publicaciones de la comunidad, es AI SDK para componentes de streaming en el frontend y Mastra para la lógica de agentes en el backend. Los límites mecánicos clave de usar solo AI SDK para agentes son: un tiempo de espera de ejecución máximo de 5 minutos y un límite de cuerpo de solicitud de 4.5MB en el alojamiento de Vercel, ninguno de los cuales restringe los despliegues autoalojados de Mastra.

LangChain es el competidor más amplio. LangChain incluye cientos de integraciones frente a las 50-60 de Mastra a principios de 2026. Pero LangChain.js se ha quedado constantemente atrás del original en Python: la versión de JS suele ir varias versiones por detrás, la mayoría de los ejemplos de la comunidad están orientados a Python y las respuestas de Stack Overflow se inclinan hacia Python. Un benchmark de diciembre de 2025 de NextBuild midió la experiencia del desarrollador en 9/10 para Mastra frente a 5/10 para LangChain, la tasa de finalización de tareas en 94.2% frente a 87.4%, y la latencia P95 en aproximadamente 1,240ms frente a 2,450ms (la cifra de LangChain incluye la sobrecarga del subproceso de Python en la configuración del benchmark). El tiempo de configuración para un agente de producción comparable fue de 18 horas en Mastra frente a 41 horas en LangChain. Un desarrollador que escribió en dev.to en enero de 2026 señaló que la compilación de TypeScript detectó "salidas de herramientas malformadas que pasarían silenciosamente en Python pero arrojaron errores en tiempo de compilación en TypeScript", una ventaja de seguridad de tipos que desaparece en un flujo de trabajo centrado en Python.

Para los equipos que ya comparan Mastra con otros frameworks de agentes de TypeScript, CrewAI está basado en Python y sobresale en la colaboración multiagente basada en roles, pero requiere ejecutar un proceso de Python. LlamaIndex tiene un conjunto de características específicas de RAG más profundo, pero una orquestación de agentes y flujos de trabajo menos completa que Mastra. LangChain y LangGraph siguen siendo dominantes en el ecosistema de ML de Python, pero tienen brechas de paridad documentadas en sus versiones de JavaScript.

"Si escribes en TypeScript y necesitas agentes de IA sin la sobrecarga de Python, Mastra es la opción más sólida". -- revisor, OpenAIToolsHub.org, 2025

"La mayoría de las herramientas de 'playground' en los frameworks de IA son juguetes de demostración. Studio realmente me ayudó a depurar". -- revisor, OpenAIToolsHub.org, 2025

Cómo es la realidad del bucle de agentes

Un agente básico de Mastra requiere aproximadamente de 15 a 20 líneas para definirse: importar el framework, configurar un proveedor de modelos, adjuntar herramientas como funciones tipadas de TypeScript e instanciar el agente. Ese agente está entonces disponible como un objeto local o, a través de Server Adapters, como un endpoint HTTP. Agregar memoria es un cambio de configuración de una línea que conecta el backend de Observational Memory. Los flujos de trabajo componen agentes y funciones simples de TypeScript utilizando la API de encadenamiento fluida.

Donde aparece la complejidad es en la lógica de ramificación que queda fuera de los patrones previstos de Mastra. Múltiples usuarios de HN en el lanzamiento de la versión 1.0 en enero de 2026 notaron que la ramificación condicional compleja en los flujos de trabajo se sentía "torpe" en comparación con el código imperativo, y que algunos casos extremos requerían descender a rutas personalizadas de Hono para obtener el comportamiento correcto. Esta es una limitación real de cualquier framework con opiniones fuertes: el 80% de los casos es drásticamente más fácil, pero el 20% requiere sortear las suposiciones de diseño.

Los equipos familiarizados con LiteLLM u OpenRouter para el enrutamiento de modelos encontrarán la abstracción de proveedores de Mastra familiar pero más estrechamente integrada: el cambio de proveedor es una línea de configuración en lugar de una llamada a la API, y las herramientas de evaluación y observabilidad saben qué proveedor se utilizó para cada rastro.

Para quién está diseñado Mastra

Mastra es la opción correcta para los equipos de TypeScript y Node.js que desean agentes de IA en producción sin agregar Python a su pila tecnológica. Esto incluye equipos full-stack de JavaScript en startups y medianas empresas, desarrolladores de Next.js que construyen funciones impulsadas por agentes, equipos que despliegan en Vercel o Cloudflare que desean una única base de código TypeScript desde el frontend hasta el backend, e ingenieros de backend que desean interfaces de herramientas tipadas y seguridad en tiempo de compilación en su código de IA. Las empresas en producción que confirmaron el uso de Mastra a principios de 2026 incluyen Replit, PayPal, Adobe, Sanity y Marsh McLennan.

El framework recompensa a los equipos que han alcanzado los límites de los SDK de IA de inicio rápido. Si has utilizado AI SDK o un cliente básico de OpenAI y has descubierto que depurar agentes es doloroso, agregar memoria no es trivial o ejecutar evaluaciones requiere construir herramientas personalizadas, Mastra aborda esas tres brechas en una sola dependencia. La combinación de tres partes, específicamente agentes con herramientas tipadas, flujos de trabajo duraderos con suspensión/reanudación y el sistema Observational Memory, representa la línea base de nivel de producción que la mayoría de los frameworks de IA ofrecen solo en partes. Mastra incluye los tres como primitivas de primera clase bajo una licencia Apache 2.0.

El crecimiento de la comunidad refleja este posicionamiento. En el YC Demo Day de marzo de 2025, Mastra fue una de las pocas empresas de herramientas para desarrolladores que presentó un framework que los desarrolladores realmente estaban usando en producción en lugar de mostrar un playground. Para el anuncio de la ronda semilla en octubre de 2025, el equipo podía señalar a más de 300 contribuyentes, 4,800 miembros en Discord y una base de instalación confirmada en empresas que van desde Replit hasta PayPal. Matt Pocock, un conocido educador de TypeScript, describió el framework como un vendedor de "herramientas que puedes depurar, extender y en las que puedes confiar", lo que captura lo que distingue a Mastra de la cosecha de bibliotecas de agentes que priorizan las demostraciones sobre la capacidad de depuración.

Los equipos que evalúan Mastra para su primer proyecto de agente deben esperar pasar un tiempo significativo leyendo el Discord y el código fuente una vez que superen los ejemplos documentados. La documentación cubre bien los patrones básicos, pero tiene lagunas en la ramificación avanzada de flujos de trabajo y la personalización de la memoria que requieren el apoyo de la comunidad para llenarse. Esto es típico de un framework de 15 meses de antigüedad con una cadencia de lanzamiento agresiva, y el equipo se ha comprometido a mejorar la documentación como prioridad en 2026.

Lo que Mastra no es

Mastra no es un framework de Python y no tiene enlaces (bindings) para Python. Si tu equipo prioriza Python o tu infraestructura depende del ecosistema científico de Python para las canalizaciones de ML, el framework no es adecuado. LangChain o LangGraph servirán mejor a ese contexto a pesar de sus compensaciones en la experiencia del desarrollador (DX).

Mastra no es una herramienta no-code completa. Estás escribiendo en TypeScript. No hay un constructor visual de flujos de trabajo de arrastrar y soltar para no desarrolladores. Los equipos que necesiten un constructor de agentes no-code deberían buscar en otra parte.

Mastra no es un reemplazo para una plataforma de observabilidad completa como Datadog o Honeycomb. Mastra Studio cubre bien el rastreo específico de agentes, pero la observabilidad a nivel de infraestructura aún requiere herramientas externas.

La limitación en el número de integraciones es real. Si tu agente necesita conectarse a uno de las docenas de servicios que LangChain integra pero que Mastra aún no soporta, tendrás que escribir un adaptador de herramienta personalizado. Para proyectos nuevos de TypeScript esto suele estar bien; para portar un agente existente de LangChain, la brecha de integración requiere evaluar cada dependencia manualmente.

Finalmente, Mastra no es adecuado para agentes de larga duración en el alojamiento de Vercel específicamente (no es culpa de Mastra, pero vale la pena señalarlo): el tiempo de espera de 5 minutos de Vercel y el modelo de ejecución serverless restringen a cualquier agente que necesite ejecutarse por más tiempo o mantener el estado. La ruta autoalojada en un servidor Node.js estándar elimina estas restricciones.