Mastra是一个基于TypeScript的框架，用于快速构建AI应用程序。它提供了工作流、Agent、RAG、集成和评估等基元集，支持在本地或无服务器云上运行。
Mastra支持多种LLM模型，提供Agent系统、工具、工作流、RAG和集成等功能。提供快速开始指南，包括先决条件、创建新项目和运行脚本等步骤，并鼓励社区贡献和支持。用户可以在本地运行Mastra，也可以部署到无服务器云。
主要功能如下：
LLM模型：Mastra使用Vercel AI SDK进行模型路由，提供统一的接口来与任何LLM提供商（包括OpenAI、Anthropic和Google Gemini）进行交互。您可以选择特定的模型和提供程序，并决定是否流式传输响应。
Agent：Agent是语言模型选择一系列操作的系统。在Mastra中，Agent为LLM模型提供工具、工作流和同步数据。Agent可以调用您自己的函数或第三方集成的API，并访问您构建的知识库。
工具：工具是可由Agent或工作流执行的类型化函数，具有内置的集成访问和参数验证。每个工具都有一个定义其输入的架构、一个实现其逻辑的执行程序函数以及对已配置集成的访问。
工作流：工作流是基于图形的持久状态机。它们具有循环、分支、等待人工输入、嵌入其他工作流、执行错误处理、重试、解析等。它们可以在代码中构建，也可以使用可视化编辑器构建。工作流中的每个步骤都有内置的OpenTelemetry跟踪。
RAG：检索增强生成（RAG）允许您为Agent构建知识库。RAG是一个ETL管道，具有特定的查询技术，包括分块、嵌入和向量搜索。
集成：在Mastra中，集成是为第三方服务自动生成的、类型安全的API客户端，可用作工作流中Agent或步骤的工具。
评估：评估是自动化测试，使用模型分级、基于规则的统计方法评估LLM输出。每个eval都会返回一个介于0-1之间的标准化分数，该分数可以记录和比较。Evals可以使用您自己的提示和评分函数进行自定义。
快速开始
先决条件：Node.js（v20.0+），获取LLM提供程序API密钥。
创建新项目：使用CLI工具创建Mastra应用程序，运行脚本以打开Mastra游乐场。
贡献和支持欢迎社区贡献，包括编码、测试和功能规范。提供Discord社区支持，鼓励为项目留星号。
Mastra受到了开发者社区的高度评价，被认为是构建AIAgent的最简单和最开发人员友好的SDK之一。许多开发者表示，它易于使用，具有出色的云部署能力和干净、美观的开发体验。
github链接：https://github.com/mastra-ai/mastra?tab=readme-ov-file
官网链接：https://mastra.ai/
全文完
看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，也可以给个星标，你的支持就是我的动力。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
