Mastra

Mastra est un framework TypeScript open-source conçu pour créer des agents IA prêts pour la production et des applications IA multi-étapes. Il a été créé en octobre 2024 par l'équipe à l'origine de Gatsby, dirigée par Sam Bhagwat (PDG, cofondateur de Gatsby), Abhi Aiyer (CTO, ancien ingénieur principal chez Netlify) et Shane Thomas (CPO, ancien ingénieur staff chez Gatsby). Le framework a intégré la promotion Hiver 2025 de Y Combinator et a levé 13 millions de dollars lors d'un tour d'amorçage en octobre 2025, avec le soutien de Paul Graham, Guillermo Rauch (PDG de Vercel) et Amjad Masad (PDG de Replit). Le cœur du système est sous licence Apache 2.0 et peut être auto-hébergé gratuitement.

Mastra propose six blocs de construction de base : des Agents pour un raisonnement ouvert avec accès à des outils, des Workflows pour une orchestration multi-étapes déterministe utilisant une syntaxe de chaînage fluide .then/.parallel/.branch/.foreach, des pipelines RAG pour la recherche de documents, une Mémoire avec Observational Memory intégrée (94.87% sur le benchmark LongMemEval sans nécessiter de base de données vectorielle), des Evals pour l'assurance qualité basée sur des règles et évaluée par des modèles, et l'intégration de serveurs MCP (Model Context Protocol). Le framework gère le routage vers plus de 40 fournisseurs de modèles, dont OpenAI, Anthropic et Gemini. Un outil complémentaire appelé Mastra Studio permet aux développeurs de rejouer n'importe quelle exécution d'agent, d'inspecter chaque appel d'outil et de vérifier l'utilisation des tokens pour le débogage. En avril 2026, le projet comptait plus de 23 500 étoiles GitHub, plus de 300 000 téléchargements npm hebdomadaires et des déploiements en production chez Replit, PayPal, Adobe et Sanity.

Ce que fait réellement Mastra en avril 2026

À la base, Mastra est un framework TypeScript backend. Vous définissez des agents en combinant un fournisseur de modèles, un ensemble d'outils et, de manière facultative, une configuration de mémoire. Les workflows enchaînent ces agents et des fonctions TypeScript classiques à l'aide d'une primitive de type graphe qui se lit comme du code de module ordinaire, sans nécessiter de connaissances en théorie des graphes. Le système suspend/resume permet à un workflow de faire une pause en cours d'exécution, d'attendre une approbation humaine ou un événement externe, et de reprendre exactement là où il s'était arrêté. Les agents peuvent fonctionner avec n'importe lequel des 40+ fournisseurs de modèles pris en charge et changer de fournisseur sans avoir à réécrire la logique de l'agent.

Mastra Studio est une interface de développement local fournie avec le framework. Chaque exécution d'agent est stockée avec une trace complète : quels appels d'outils ont été déclenchés, ce que chacun a retourné, le nombre de tokens par étape et le prompt exact envoyé. Studio vous permet de rejouer n'importe quelle exécution passée pour diagnostiquer les échecs sans dépendre des sorties console.log. Un développeur écrivait en mars 2026 pour décrire son expérience : « La première fois qu'il a rejoué l'exécution d'un agent et qu'il a réellement compris pourquoi elle avait échoué, il a réalisé à quel point cette expérience est rare. »

Le système Observational Memory, lancé en février 2026, utilise des agents en arrière-plan pour compresser l'historique des anciennes conversations en observations structurées, plutôt que de tronquer naïvement la conversation. Cette approche a atteint 94.87% sur le benchmark LongMemEval sans base de données vectorielle, ce que l'équipe considère comme l'état de l'art au moment de la publication. Les pipelines RAG s'intègrent nativement à la même infrastructure de recherche, de sorte que les équipes créant des agents basés sur des bases de connaissances peuvent utiliser une seule pile de mémoire cohérente plutôt que d'assembler des outils distincts.

La version @mastra/[email protected] du 28 avril 2026 est la dernière version stable. Le framework prend en charge le déploiement sur Vercel, Cloudflare Workers, Netlify et tout serveur Node.js standard. Les Server Adapters, introduits dans la version Mastra 1.0 en janvier 2026, exposent automatiquement les agents, les workflows, les outils et les serveurs MCP sous forme de points de terminaison HTTP pour les applications Express, Hono, Fastify ou Koa. Cela signifie qu'un agent Mastra est également un point de terminaison API sans aucune configuration supplémentaire.

Où se situe Mastra par rapport à Vercel AI SDK et LangChain

La comparaison la plus fréquente se fait avec Vercel AI SDK, et elle mérite une réponse précise car ces outils sont souvent utilisés ensemble plutôt qu'en opposition. Vercel AI SDK est une boîte à outils optimisée pour le streaming, destinée à créer des composants d'interface utilisateur React et Next.js qui consomment des modèles d'IA. Il gère le streaming des modèles, les appels d'outils de base et les hooks React pour les interfaces de chat. Mastra utilise en réalité AI SDK v6 en interne pour le routage des modèles. Le modèle de production typique, documenté dans de nombreuses publications de la communauté, consiste à utiliser AI SDK pour les composants de streaming frontend et Mastra pour la logique des agents backend. Les principales limites mécaniques de l'utilisation exclusive d'AI SDK pour les agents sont : un délai d'exécution maximal de 5 minutes et une limite de 4.5MB pour le corps de la requête sur l'hébergement Vercel, aucune de ces limites ne contraignant les déploiements auto-hébergés de Mastra.

LangChain est le concurrent le plus large. LangChain propose des centaines d'intégrations contre 50 à 60 pour Mastra début 2026. Mais LangChain.js a toujours été à la traîne par rapport à la version originale en Python : le portage JS a généralement plusieurs versions de retard, la plupart des exemples de la communauté sont d'abord en Python, et les réponses sur Stack Overflow penchent vers Python. Un benchmark de décembre 2025 réalisé par NextBuild a évalué l'expérience développeur à 9/10 pour Mastra contre 5/10 pour LangChain, le taux de réussite des tâches à 94.2% contre 87.4%, et la latence P95 à environ 1,240ms contre 2,450ms (le chiffre de LangChain inclut la surcharge du sous-processus Python dans la configuration du benchmark). Le temps de configuration pour un agent de production comparable était de 18 heures avec Mastra contre 41 heures avec LangChain. Un développeur écrivant sur dev.to en janvier 2026 a noté que la compilation TypeScript détectait « des sorties d'outils mal formées qui passeraient silencieusement en Python mais qui déclenchaient des erreurs de compilation en TypeScript », un avantage en matière de sécurité de typage qui disparaît dans un workflow axé sur Python.

Pour les équipes qui comparent déjà Mastra à d'autres frameworks d'agents TypeScript, CrewAI est basé sur Python et excelle dans la collaboration multi-agents basée sur les rôles, mais nécessite l'exécution d'un processus Python. LlamaIndex possède un ensemble de fonctionnalités plus approfondi spécifique au RAG, mais une orchestration d'agents et de workflows moins complète que Mastra. LangChain et LangGraph restent dominants dans l'écosystème ML Python, mais présentent des écarts de parité documentés dans leurs portages JavaScript.

« Si vous écrivez en TypeScript et avez besoin d'agents IA sans la lourdeur de Python, Mastra est la meilleure option. » -- critique, OpenAIToolsHub.org, 2025

« La plupart des outils 'playground' dans les frameworks IA sont des jouets de démonstration. Studio m'a vraiment aidé à déboguer. » -- critique, OpenAIToolsHub.org, 2025

À quoi ressemble la réalité de la boucle d'agent

Un agent Mastra de base nécessite environ 15 à 20 lignes pour être défini : importer le framework, configurer un fournisseur de modèles, attacher des outils sous forme de fonctions TypeScript typées et instancier l'agent. Cet agent est ensuite disponible en tant qu'objet local ou, via les Server Adapters, en tant que point de terminaison HTTP. L'ajout de mémoire est une modification de configuration d'une seule ligne qui connecte le backend Observational Memory. Les workflows composent des agents et des fonctions TypeScript classiques à l'aide de l'API de chaînage fluide.

La complexité apparaît dans la logique de branchement qui sort des modèles prévus par Mastra. Plusieurs utilisateurs de HN lors du lancement de la version 1.0 en janvier 2026 ont noté que les branchements conditionnels complexes dans les workflows semblaient « maladroits » par rapport au code impératif, et que certains cas particuliers nécessitaient de recourir à des routes Hono personnalisées pour obtenir le comportement souhaité. C'est une véritable limite de tout framework dogmatique (opinionated) : les 80% des cas d'usage sont considérablement plus simples, mais les 20% restants nécessitent de contourner les hypothèses de conception.

Les équipes familières avec LiteLLM ou OpenRouter pour le routage des modèles trouveront l'abstraction des fournisseurs de Mastra familière mais plus étroitement intégrée : le changement de fournisseur est une ligne de configuration plutôt qu'un appel API, et les outils d'évaluation et d'observabilité savent quel fournisseur a été utilisé pour chaque trace.

Pour qui Mastra est-il conçu ?

Mastra est le choix idéal pour les équipes TypeScript et Node.js qui souhaitent des agents IA de production sans ajouter Python à leur stack technique. Cela inclut les équipes JavaScript full-stack dans les startups et les entreprises de taille moyenne, les développeurs Next.js créant des fonctionnalités basées sur des agents, les équipes déployant sur Vercel ou Cloudflare qui souhaitent une base de code TypeScript unique du frontend au backend, et les ingénieurs backend qui veulent des interfaces d'outils typées et une sécurité à la compilation dans leur code IA. Les entreprises de production dont l'utilisation de Mastra est confirmée début 2026 incluent Replit, PayPal, Adobe, Sanity et Marsh McLennan.

Le framework récompense les équipes qui ont atteint les limites des SDK IA de démarrage rapide. Si vous avez utilisé AI SDK ou un simple client OpenAI et que vous avez trouvé que le débogage des agents était pénible, que l'ajout de mémoire n'était pas trivial, ou que l'exécution d'évaluations nécessitait de créer des outils personnalisés, Mastra comble ces trois lacunes en une seule dépendance. La combinaison de ces trois éléments, à savoir des agents avec des outils typés, des workflows durables avec suspend/resume, et le système Observational Memory, représente la base de qualité production que la plupart des frameworks IA ne fournissent que par morceaux. Mastra propose les trois comme primitives de premier ordre sous une seule licence Apache 2.0.

La croissance de la communauté reflète ce positionnement. Lors du YC Demo Day en mars 2025, Mastra était l'une des rares entreprises d'outils pour développeurs à présenter un framework que les développeurs utilisaient réellement en production, plutôt que de faire la démonstration d'un playground. Lors de l'annonce du tour d'amorçage en octobre 2025, l'équipe pouvait s'appuyer sur plus de 300 contributeurs, 4 800 membres sur Discord et une base d'installation confirmée dans des entreprises allant de Replit à PayPal. Matt Pocock, un formateur TypeScript reconnu, a décrit le framework comme vendant « des outils que vous pouvez déboguer, étendre et auxquels vous pouvez faire confiance », ce qui résume bien ce qui distingue Mastra de la multitude de bibliothèques d'agents qui privilégient les démos au détriment de la capacité de débogage.

Les équipes qui évaluent Mastra pour leur premier projet d'agent doivent s'attendre à passer un temps significatif à lire le Discord et le code source une fois qu'elles auront dépassé les exemples documentés. La documentation couvre bien les modèles de base, mais présente des lacunes concernant les branchements de workflows avancés et la personnalisation de la mémoire, qui nécessitent le soutien de la communauté pour être comblées. C'est typique pour un framework de 15 mois avec un rythme de publication agressif, et l'équipe s'est engagée à faire de l'amélioration de la documentation une priorité en 2026.

Ce que Mastra n'est pas

Mastra n'est pas un framework Python et ne possède pas de bindings Python. Si votre équipe travaille principalement en Python ou si votre infrastructure dépend de l'écosystème scientifique Python pour les pipelines ML, ce framework n'est pas adapté. LangChain ou LangGraph conviendront mieux à ce contexte, malgré leurs compromis en matière d'expérience développeur (DX).

Mastra n'est pas un outil no-code complet. Vous écrivez du TypeScript. Il n'y a pas de constructeur de workflow visuel par glisser-déposer pour les non-développeurs. Les équipes qui ont besoin d'un constructeur d'agents no-code devraient chercher ailleurs.

Mastra ne remplace pas une plateforme d'observabilité complète comme Datadog ou Honeycomb. Mastra Studio couvre bien le traçage spécifique aux agents, mais l'observabilité au niveau de l'infrastructure nécessite toujours des outils externes.

La limite du nombre d'intégrations est réelle. Si votre agent doit se connecter à l'un des dizaines de services que LangChain intègre mais que Mastra ne prend pas encore en charge, vous devrez écrire un adaptateur d'outil personnalisé. Pour les nouveaux projets TypeScript (greenfield), cela ne pose souvent pas de problème ; pour le portage d'un agent LangChain existant, l'écart d'intégration nécessite d'évaluer chaque dépendance manuellement.

Enfin, Mastra n'est pas adapté aux agents à exécution longue sur l'hébergement Vercel en particulier (ce n'est pas la faute de Mastra, mais cela mérite d'être signalé) : le délai d'attente de 5 minutes et le modèle d'exécution serverless de Vercel contraignent tout agent qui doit s'exécuter plus longtemps ou conserver un état. L'option auto-hébergée sur un serveur Node.js standard supprime ces contraintes.