Mastra: AI-агенты и Workflow на TypeScript

TypeScript-фреймворк Mastra для AI-агентов и workflow

При автоматизации бизнес-процессов через AI-агентов часто сталкиваешься с разрозненными LLM-вызовами, отсутствием типобезопасности и проблемами с памятью. Mastra — TypeScript-фреймворк, который объединяет агентов, RAG-пайплайны и workflow в единую систему с полной типизацией через Zod и встроенным трейсингом OpenTelemetry. Мы внедрили Mastra в 10+ проектах на TypeScript и Next.js, и вот как это работает. Типичная ситуация: команда тратит недели на интеграцию LLM-вызовов и всё равно получает ломающиеся JSON-ответы. С Mastra этот процесс занимает часы, а не недели.

Почему Mastra — выбор для TypeScript-команд?

Mastra vs LangChain: оба решают оркестрацию AI-агентов, но Mastra — нативный TypeScript. Zod-схемы гарантируют типобезопасность на каждом шаге, а встроенная память (PostgreSQL/Redis) и трейсинг OpenTelemetry исключают необходимость внешних сервисов. По нашим замерам, скорость разработки на Mastra на 60% выше для проектов на Next.js, а runtime-ошибки типов сведены к нулю. Mastra превосходит LangChain в 2-3 раза по скорости разработки для TypeScript-проектов, особенно при работе с Node.js AI.

Какие проблемы решает Mastra

Типичные боли команд, которые к нам приходят:

• Разрозненные LLM-вызовы без оркестрации — каждый агент живёт своей жизнью, нет единого конвейера ошибок и мониторинга. Mastra вводит единый lifecycle-менеджмент.
• Отсутствие типобезопасности — сырые JSON-ответы LLM ломают продакшен. Встроенные Zod-схемы гарантируют, что каждый инструмент возвращает строго определённый контракт.
• Дороговизна поддержки Python-сервисов — если основной стек TypeScript, держать отдельный AI-сервис на Python дорого: два набора инфраструктуры, две команды. Mastra решает это, позволяя экономить до 200 000 ₽ в месяц на содержании Python-сервисов.

Как настроить Mastra-агента с памятью: пошагово

1. Установи пакет @mastra/core и выбранный провайдер (например @mastra/openai).
2. Инициализируй Mastra и объект памяти (PostgreSQL или Redis).
3. Создай агента с инструкциями, моделью и привязкой памяти.
4. Добавь инструменты — обычные функции, обёрнутые в Zod-схемы.
5. Запусти агента через agent.execute() с контекстом.

import { Mastra } from '@mastra/core';
import { openai } from '@mastra/openai';
import { Memory } from '@mastra/memory';

const mastra = new Mastra();
const memory = new Memory({
  provider: 'postgres',
  connectionString: process.env.DATABASE_URL!
});

const agent = new Agent({
  name: 'Support Agent',
  instructions: 'Ты — служба поддержки, используй историю диалога',
  model: openai('gpt-4o'),
  memory
});

Как интегрировать Mastra в существующий проект?

Внедрение занимает от 2 дней до 2 недель в зависимости от сложности:

Что входит в работу

• Аудит текущей инфраструктуры и выявление точек для AI-автоматизации.
• Разработка и интеграция Mastra-агентов с учётом существующего стека.
• Создание векторной базы знаний для RAG с поддержкой контекстного поиска.
• Документация: архитектура, API-спецификация, инструкции для разработчиков.
• Обучение команды (2-3 часовые сессии с практическим воркшопом).
• Пост-релизная поддержка: исправление ошибок, мониторинг, доработки в течение месяца.

Практический кейс: автоматизация отчётности SaaS

Из нашей практики: SaaS-платформа с 50 000 пользователей. Команда из 5 TypeScript-разработчиков тратила 2 дня в неделю на ручную сборку аналитических отчётов. Мы внедрили Mastra-воркфлоу за 5 дней.

Результаты:

• Реализация за 3 дня (против 2 недель на Python-альтернативах с интеграцией).
• Типобезопасность: 0 runtime-ошибок типов в production за 2 месяца.
• Команда не тратила время на изучение нового стека — TypeScript все знали.
• Экономия времени: 1,5 дня в неделю, что эквивалентно ~30% FTE разработчика (примерно 150 000 ₽ экономии в месяц). — CTO компании-клиента

Как обеспечить персистентность памяти агента

Для production-агентов память критична: без неё каждый запрос обрабатывается с нуля, теряется контекст диалога. Mastra поддерживает два режима:

• PostgreSQL — надёжно, подходит для большинства сценариев, обеспечивает соответствие GDPR и простоту бэкапов.
• Redis — низкая задержка, если важна скорость.

В нашей практике настройка памяти занимает 2-3 часа. Рекомендуем PostgreSQL для стандартных проектов.

Какие модели и векторные БД поддерживаются?

Mastra работает с любыми моделями через провайдеры: OpenAI, Anthropic, LLaMA, Mistral. Векторные БД: Pinecone, ChromaDB, Qdrant, pgvector. Выбор зависит от требований к latency и объёму данных. В типовом проекте используем Pinecone для RAG с latency p99 < 200ms.

Получите консультацию по внедрению Mastra — оценим объём работ и подготовим коммерческое предложение. Гарантируем стабильную работу агентов в продакшене и полную документацию. Закажите аудит вашего проекта прямо сейчас.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.