假设你是一个全栈团队的技术负责人。产品经理刚拍板：下个季度要给核心产品加上 AI agent 功能，用户可以用自然语言查数据、跑自动化流程、甚至让 agent 帮忙做多步骤的复杂决策。团队清一色 TypeScript 栈，前端 React，后端 Node.js，部署在 Vercel 或 AWS Lambda 上。你打开浏览器搜了一圈，发现 2026 年的 AI agent 框架已经多到让人眼花。
LangChain 生态最大，但它骨子里是 Python 项目，TypeScript 版本像个移植品；Vercel AI SDK 跟自家平台绑得很紧，适合前端场景但 agent 编排能力够不够？LlamaIndex 在 RAG 领域口碑极好，可它的 TypeScript 版又是什么水平？然后你看到了 Mastra。一个专门为 TypeScript 设计的 AI agent 框架，GitHub 上两万多颗星，号称”从原型到生产，一个框架搞定”。
这篇文章就从这个纠结出发，帮你把几个主流选项摊开来看。不是要评出一个冠军，不同团队的技术栈、场景、部署偏好差别太大，没有放之四海皆准的答案。我们聊的是：每个框架到底在解决什么问题，擅长什么，不擅长什么，以及什么样的团队应该认真考虑它。
先认识 Mastra：TypeScript 世界的”全家桶”
Mastra 是一个开源的 TypeScript AI 框架，由 Kepler Software 开发。创始人 Sam Bhagwat 之前联合创办过 Gatsby（那个曾被数十万开发者使用的 React 静态站点框架），所以 Mastra 从一开始就带着浓厚的 JavaScript 生态基因。
Mastra 的核心设计理念是“一个框架，所有原语”。它把构建 AI 应用需要的东西打包在一起：agents、tools、workflows、memory、evals（自动化评估）、以及可观测性（tracing、metrics、logs）。你不需要从五个不同的库里拼凑一个 agent 系统，@mastra/core 一个包，该有的都有。
实际体验上，Mastra 的开发者体验做得相当用心。npm create mastra@latest 一行命令就能脚手架出一个项目，自带 Mastra Studio（一个本地可视化调试界面，跑在 localhost:4111），可以直接在浏览器里测试 agent、观察 tool 调用链路、切换模型参数。模型路由用字符串格式（比如 openai/gpt-5.6-sol 或 anthropic/claude-sonnet-4-6），不需要额外导入 provider 包，框架自动根据环境变量找到对应的 API key。
Workflow 方面，Mastra 提供了基于图的状态机：支持顺序步骤、并行分支、条件逻辑、循环，每一步都可以挂 agent 调用或者纯函数。关键的是它支持 human-in-the-loop，workflow 可以在任意步骤暂停，等人类输入后恢复。这对需要审批流程的企业场景非常实用。
Memory 系统支持多层次：基础的消息持久化、线程感知的存储、语义召回，甚至有一个”观察式记忆”机制，能在对话过程中自动学习用户偏好。MCP（Model Context Protocol）支持也是一等公民：你可以定义 tool 然后通过 MCP 跨 agent 共享。
许可证方面需要注意：Mastra 的核心代码采用 Apache 2.0 协议（2025 年 7 月从 ELv2 切换过来），但仓库中 ee/ 目录下的企业功能（如 RBAC、SSO、Agent Builder 等）使用单独的企业许可证，生产环境使用需要跟 Kepler 签协议。对大多数开发者来说，Apache 2.0 覆盖的核心功能已经足够。
截至 2026 年 9 月，Mastra 在 GitHub 上有约 2.7 万颗星，npm 下载量持续增长。它的定位很清晰：如果你的团队是 TypeScript 技术栈，需要一个从 agent 定义到 workflow 编排到部署观测的一站式方案，Mastra 是目前最”原生”的选择。
LangChain / LangGraph.js：生态最大，但 TypeScript 是”二等公民”吗？
说 AI agent 框架不提 LangChain，就像说前端框架不提 React。LangChain 拥有整个领域最大的生态系统，GitHub 上 Python 主仓库星标数以万计，第三方集成、教程、社区资源铺天盖地。
TypeScript 开发者能用到的是 @langchain/core、@langchain/openai、@langchain/anthropic 等一系列 scoped 包，以及用于 agent 编排的 @langchain/langgraph。LangGraph 是 LangChain 团队专门为”有状态 agent”设计的编排层，基于图结构，支持循环、分支、持久化状态和短期/长期记忆。在 Python 端，LangGraph 已经成为构建复杂 agent 系统的事实标准。
JavaScript 版本的包名是 @langchain/langgraph，目前在 0.2.x 版本。配合社区维护的 @langgraphjs/toolkit，你可以获得 agent 模板、速率限制、token 预算控制、结构化日志等生产级工具。LangChain.js 主仓库（langchainjs）在 GitHub 上有约 1.8 万颗星，采用 MIT 协议。
LangChain 生态的核心优势是广度。几乎每一个 LLM provider、向量数据库、工具服务都有对应的 LangChain 集成包。如果你的项目需要对接大量第三方服务，LangChain 的集成层可以帮你省掉不少胶水代码。LangGraph 的图模型也非常灵活，它不会替你做太多决定，而是给你足够底层的控制权来定义 agent 之间的交互拓扑。
但 TypeScript 开发者需要注意一个现实：LangChain 的核心团队和主要精力一直在 Python 端。TypeScript 版本的文档、示例、新功能跟进，往往比 Python 慢一拍。社区中关于”LangChain.js 文档不够完善””API 跟 Python 版不一致”的反馈并不少见。如果你习惯了 TypeScript 生态里那种类型安全、自动补全到每个参数的开发体验，LangChain.js 偶尔会让你觉得有些粗糙。
另一个考量是抽象层级。LangChain 的设计哲学是提供大量可组合的抽象，这带来了灵活性，但也增加了概念负担。对于”我就是想快速搭一个能调 tool 的 agent”的场景，你可能需要理解 chain、prompt template、output parser、runnable 等一整套概念体系。LangGraph 在这方面更直接，但它本身也有一定学习曲线。
LangChain 最适合的场景：团队中有 Python 工程师、需要在 Python 和 TypeScript 之间共享 agent 逻辑和最佳实践、项目需要对接大量第三方集成、或者需要 LangSmith 这样的商业化观测和评估平台。
Vercel AI SDK：前端开发者的”舒适区”
如果说 Mastra 是 TypeScript agent 领域的”全家桶”，那 Vercel AI SDK 就是前端/全栈开发者的”最短路径”。
Vercel AI SDK 是真正意义上的 TypeScript 原生项目。它从第一天起就为 TypeScript 开发者设计，npm 周下载量达到千万级别。核心理念是让 AI 功能的集成像写一个 API route 一样自然：import { generateText } from 'ai'，传入模型和 prompt，拿到结果。流式响应、多模型切换、provider 回退，全部内置，不需要自己处理底层细节。
2025 年底的 Ship AI 大会上，Vercel 发布了 AI SDK 6，首次引入了 agent 抽象。ToolLoopAgent 让你可以定义一个带 tool 的 agent，循环执行直到任务完成，并且支持 human-in-the-loop 的工具审批机制（needsApproval: true）。随后的 AI SDK 7 进一步深化了 agent 能力：WorkflowAgent 提供了持久化执行。agent 可以在进程重启、部署更新后恢复状态继续运行；HarnessAgent 则是一个统一接口，让你可以用同一套 API 驱动 Claude Code、Codex、OpenCode 等不同的 agent harness。
AI SDK 7 还加入了实时语音支持和视频生成能力，以及完整的遥测（telemetry）和生命周期事件系统。Vercel 同时推出了自家的 AI Gateway（统一接入 100 多个模型，无加价）、Sandbox（安全执行 agent 生成的代码）、和 Workflows（长运行 agent 的持久化基础设施）。
这里有一个微妙但重要的区别需要理解：Vercel AI SDK 是一个 SDK（软件开发工具包），不是一个框架。它给你提供了优秀的积木块（模型调用、流式处理、tool 定义、agent 循环），但不会替你决定项目结构、不管你的工作流怎么编排、不提供开箱即用的可视化调试界面。它更像是一个”AI 能力层”，你可以把它插入任何现有的 Next.js、Svelte、Vue 或 Node.js 项目中。
实际上，Mastra 底层的模型路由就是基于 Vercel AI SDK 构建的。两者不完全是竞争关系。Mastra 在 AI SDK 之上提供了框架级的结构（项目脚手架、Studio、workflow 引擎、memory 系统），而 AI SDK 本身更轻量、更灵活，适合那些不想被框架约束、只想在现有项目里加入 AI 能力的团队。
Vercel AI SDK 采用 Apache 2.0 协议，与 Next.js、React、Svelte、Angular、Vue、Nuxt、Solid 等主流前端框架都有良好集成。如果你的项目已经部署在 Vercel 平台上，AI SDK 配合 AI Gateway 和 Vercel Workflows 可以提供非常流畅的端到端体验。
最适合的场景：已有 Next.js / React 全栈项目需要加入 AI 功能、团队更偏前端背景、不想引入重量级框架、或者已经在 Vercel 平台上运行的项目。
LlamaIndex.TS：当你的核心问题是”让 AI 读懂我的数据”
如果你的 agent 需求核心是 RAG（检索增强生成），让 AI 基于你自己的文档、数据库、知识库来回答问题，LlamaIndex 几乎是绕不开的名字。
LlamaIndex 的 Python 版本在 GitHub 上有超过 5 万颗星，MIT 协议，是 RAG 领域公认的标杆项目。它的 TypeScript 版本 LlamaIndex.TS 作为独立包发布（npm 包名 llamaindex），支持 Node.js、Deno、Bun，甚至 Cloudflare Workers 等现代 JavaScript 运行时。
LlamaIndex 的核心能力链条非常清晰：文档加载 → 分块 → 向量化 → 索引 → 检索 → 生成。这是一条完整的 RAG 管线，每个环节都有丰富的策略可选。它的 LlamaParse 服务更是在文档解析领域建立了口碑。处理带复杂表格、图表、混合排版的 PDF 和文档时，解析精度非常高。
近两年 LlamaIndex 也在向 agent 方向扩展。LlamaIndex Workflows 提供了事件驱动的 agent 编排能力，LlamaAgents 则是用于多 agent 协作的更高层抽象。TypeScript SDK 也在持续更新，加入了 MCP 集成、分类服务等新功能。
但需要诚实地说：LlamaIndex.TS 的 agent 编排能力与 Mastra 或 LangGraph 相比，还不在同一个量级。LlamaIndex 的灵魂是数据处理和检索，agent 能力更像是在核心管线之上的延伸。如果你的项目 80% 的工作量是”让 AI 准确地从企业文档中找到答案”，LlamaIndex 几乎没有对手；但如果你需要复杂的多步骤 agent 编排、workflow 状态机、多 agent 协作，你可能需要把 LlamaIndex 的检索能力跟另一个编排框架（比如 Mastra 或 LangGraph）组合使用。
最适合的场景：以知识检索和文档问答为核心的应用、需要处理复杂文档格式（PDF、扫描件、混合排版）、团队已经在 Python 端使用 LlamaIndex 并想在 TypeScript 端保持一致的技术路线。
如果你不锁定 TypeScript：CrewAI 和 AutoGen
到这里，有读者可能会想：”我们团队虽然前端用 TypeScript，但后端可以跑 Python 服务。”如果语言不是硬约束，Python 生态里还有两个值得了解的选项。
CrewAI 的设计哲学特别有趣：它不让你手动定义 agent 之间的交互图，而是用自然语言描述每个 agent 的角色、目标和背景故事，由框架自动协调协作。它提供了两种架构模式：Crews（自主团队，agent 自行决定何时委派、何时提问）和 Flows（事件驱动管线，用于需要可预测性的生产场景）。CrewAI 内置了输出校验和 guardrails，当 agent 输出不符合预期格式时会自动重试并附带校验反馈。
CrewAI 的优势是上手极快。社区反馈普遍认为它是多 agent 框架中”从零到可运行原型”最快的选择。但它目前只支持 Python，如果你是 TypeScript 团队，就意味着需要额外维护一个 Python 服务。
AutoGen（现已演进为 Microsoft Agent Framework）走的是”对话驱动”路线：agent 之间通过多轮对话来协商、分工、综合结果。它的 GroupChat 机制允许多个 agent 在共享对话空间中交互，由一个 LLM 驱动的 Group Chat Manager 来决定每轮谁发言。AutoGen 内置了代码执行沙箱。agent 可以写代码、执行、观察结果、迭代修改，这在数据分析和研究场景中非常强大。
AutoGen 支持 Python 和 .NET，与 Azure 生态深度集成。不过需要留意的是，微软的战略重心正在向更广义的 Microsoft Agent Framework 转移，AutoGen 本身预计主要获得维护性更新。如果你在微软技术栈和 Azure 生态中，这是一个值得认真考虑的选项；否则，它的迁移不确定性是一个风险因素。
一张表，帮你快速定位
在展开说之前有个前提：没有哪个框架在所有维度上都是最优的。下面这张表是一个快速参考，帮你根据自己团队的情况缩小选择范围。
| 维度 | Mastra | LangChain / LangGraph.js | Vercel AI SDK | LlamaIndex.TS |
|---|---|---|---|---|
| 语言定位 | TypeScript 原生 | Python 优先，TS 同步维护 | TypeScript 原生 | Python 优先，TS 独立维护 |
| 主打能力 | Agent + Workflow + Memory 全家桶 | 生态集成 + 灵活的图编排 | 模型调用 + 流式 + 前端集成 | RAG 管线 + 文档处理 |
| Agent 编排 | 内置 workflow 状态机，human-in-the-loop | LangGraph 图模型，高度灵活 | ToolLoopAgent / WorkflowAgent | Workflows 事件驱动，较轻量 |
| 部署方式 | Node / Serverless / Mastra Cloud | Node / 自托管 / LangSmith Cloud | Vercel / Node / Edge / Serverless | Node / Deno / Bun / Edge Workers |
| 可观测性 | 内置 Studio + OpenTelemetry tracing | 依赖 LangSmith（商业） | 内置 telemetry + 生命周期事件 | 社区集成为主 |
| 开源协议 | Apache 2.0（核心）；企业功能单独授权 | MIT | Apache 2.0 | MIT |
| 适合谁 | TS 团队要一站式 agent 方案 | 需要最大生态和跨语言一致性 | 已有前端项目加 AI 功能 | 以 RAG / 知识检索为核心 |
这张表省略了很多细节。比如 Mastra 的模型路由底层就是用 Vercel AI SDK 实现的，所以两者在模型接入能力上是等价的。再比如 LlamaIndex 的检索能力可以作为 tool 接入 Mastra 或 LangGraph 的 agent 系统，它们之间不一定是替代关系，也可能是组合关系。
怎么选：回到你的真实场景
说了这么多，决策其实可以归结为几个关键问题。
你的团队是纯 TypeScript 栈吗？ 如果是，Mastra 和 Vercel AI SDK 是最自然的选择。两者的区别在于你需要一个”框架”还是一个”SDK”。如果你想要项目结构、调试工具、workflow 引擎开箱即用，选 Mastra；如果你只想在现有项目里轻量地加入 AI 能力，选 Vercel AI SDK。
你的核心需求是 RAG 还是 Agent 编排？ 如果是前者，LlamaIndex.TS 值得作为首选或核心组件。如果是后者，Mastra 和 LangGraph.js 是更合适的编排层。
你需要跟 Python 团队共享技术栈吗？ LangChain / LangGraph 在双语生态上的投入最大，概念模型在 Python 和 TypeScript 之间基本一致。如果你的组织有 Python 和 TypeScript 两个团队都在做 AI agent，LangChain 的跨语言一致性是独特优势。
你的部署环境是什么？ 如果已经在 Vercel 上，AI SDK 的集成最丝滑。如果需要自托管或部署到任意 Node.js 环境，Mastra 和 LangGraph.js 都很灵活。如果需要跑在 Cloudflare Workers 或 Deno 上，LlamaIndex.TS 对多运行时的支持值得关注。
你介意框架的成熟度和社区规模吗？ LangChain 生态最大、积累最深，遇到问题时最容易找到参考。Mastra 增长很快（两万多星），但毕竟比 LangChain 年轻。Vercel AI SDK 用户基数最大（千万级周下载），但它更多是被作为 SDK 使用而非 agent 框架。
一个务实的建议
如果你现在就要做决定，我的建议是：先从你最熟悉的工具开始，快速做一个最小可行原型（MVP），验证你的 agent 在真实场景下的表现。框架之间的切换成本，远没有”选错了方向导致 agent 效果不好”的成本高。
AI agent 框架这个领域在 2026 年仍然处于快速演化期。今天的最佳选择，六个月后可能会被新的能力或新的竞争者改写。Mastra 可能会进一步巩固它在 TypeScript agent 领域的地位，Vercel AI SDK 的 agent 能力可能会追上来，LangGraph 的 TypeScript 支持可能会持续改善，LlamaIndex 的 agent 编排可能会成熟到独当一面。
与其追求一个”完美的永久选择”，不如选一个当下最契合你团队能力和项目需求的工具，把精力花在真正重要的事情上，让你的 agent 在用户的真实场景中创造价值。框架是手段，产品才是目的。
延伸阅读
- AI Agent 开发框架怎么选：CrewAI vs AutoGen vs LangGraph vs OpenAI Agents SDK，2026 谁更适合你的 Agent 项目？
- Terraform vs Pulumi：2026 年做基础设施即代码，开发者到底该选谁？
- AI SEO 内容优化工具怎么选：Surfer SEO vs Clearscope vs Frase vs MarketMuse，2026 谁更适合内容团队？
- AI 数字人视频工具怎么选：HeyGen、Synthesia、D-ID、Colossyan，2026 年谁更适合你？
Stay updated with our latest AI insights
