T最新テックトレンド

純粋なTypeScriptで切り拓くAIエージェントとパイプラインの新時代：Mastra.aiが変革するプロダクションAI開発

AI Engineer
0:00--:--

AI技術の進化は目覚ましく、私たちのビジネスや日常生活に深く浸透しつつあります。しかし、その一方で、大規模言語モデル（LLM）の非決定性、複雑なオーケストレーション、そしてプロダクション環境へのデプロイにおける課題は、多くの開発者にとって頭の痛い問題でした。そんな中、純粋なTypeScriptでこれらの課題を解決し、プロダクションレディなAIアプリケーション開発を加速させるフレームワーク「Mastra.ai」が登場しました。

先日開催されたワークショップ「AI Pipelines and Agents in Pure TypeScript with Mastra.ai」では、WorkOSのNick Nisi氏とZack Proser氏が、Mastra.aiの主要な概念、具体的な機能、そして「AIパワードミームジェネレーター」というユニークなデモを通じて、その可能性を余すところなく紹介しました。本記事では、このワークショップで語られたMastra.aiの全てを深く掘り下げ、その重要性、具体的な機能、ビジネスへの影響、そして将来性を詳細に解説します。

1. Mastra.aiとは何か？：AIアプリケーション開発の次世代フレームワーク

Mastra.aiは、プロダクション品質のAIアプリケーションを「エージェント的な方法」で構築するための包括的なフレームワークです。その最大の特徴は、純粋なTypeScriptで開発されている点にあります。これは、型安全性、コンパイル時エラーの検出、そしてTypeScript開発者にとって馴染み深い開発体験を提供し、AIアプリケーションの信頼性とメンテナンス性を格段に向上させます。

Mastraは、Versel AI SDKの上に構築されており、これにより開発者は様々なLLMプロバイダー（OpenAI, Anthropicなど）間で柔軟に切り替えることができます。例えば、ChatGPT-4oがリリースされた際に、わずか2文字の変更でパイプライン全体の性能が向上したというエピソードは、Mastraの基盤となるVersel AI SDKが提供する抽象化の強力さを示しています。

Mastraフレームワークは、AIアプリケーション開発に必要な多くの要素を「バッテリー同梱」で提供します。

  • ローカルプレイグラウンド: 開発中のAIアプリケーションの動作を視覚的に確認し、迅速なデバッグを可能にします。
  • 組み込みの永続性: エージェントのセッション履歴やデータ保存を容易にします。
  • メモリ管理: 会話履歴やエージェントの状態を効果的に管理します。
  • オブザーバビリティ: パイプラインの実行状況、ステップごとの入出力、エラーなどを詳細に可視化し、モニタリングを支援します。
  • 評価機能: パイプラインの健全性を時間と共に測定するためのメカニズムを提供します。これは、OpenAI自身がプロダクション環境でのエージェントデプロイメントにおいて推奨する重要な要素であり、Mastraが最初からこれを提供している点は大きな強みです。

これらの機能により、Mastraは単なるAI開発ツールではなく、AIアプリケーションを開発し、デプロイし、維持するためのエコシステム全体を提供していると言えるでしょう。

2. AIワークフロー：非決定性を制し、信頼性を築くパイプライン

LLMの最も強力でありながらも厄介な特性の一つは、その非決定性です。同じ入力に対しても、必ずしも同じ出力を返すとは限りません。プロダクション環境で信頼性の高いAIアプリケーションを構築するためには、この非決定性を管理し、出力を予測可能にする仕組みが不可欠です。Mastraの「ワークフロー」はこの問題に対する強力なソリューションを提供します。

2.1. ワークフローの概念と構成

ワークフローは、複数の離散的なステップを特定の順序で連結し、一連のタスクを実行するための「合成可能なパイプライン」として機能します。これは、まるでRxJSのようなリアクティブプログラミングのAPIに似ており、一つの入力から始まり、複数の変換を経て最終的な出力へとつながるデータフローを直感的に記述できます。

ワークショップで示された例では、同僚が手作業で行っていた「Webサイトのスクレイピング、興味深い人物情報の収集、画像の取得、メール作成」といった一連の作業が、まさにワークフローの典型的なユースケースとして挙げられました。Mastraのワークフローでは、以下のような特徴があります。

  • ステップの連鎖: 複数のステップを論理的な順序で連結し、複雑なタスクを分解して実行します。
  • データ伝達: 各ステップ間でデータをスムーズに受け渡すことが可能です。これにより、前のステップの出力が次のステップの入力として機能し、シームレスな処理を実現します。
  • 制御フロー: 線形的なパイプラインだけでなく、「then」「if」「branch」「do while」といった構文を用いて、条件分岐やループ処理など、より複雑な制御フローを持つワークフローを構築できます。これは、業務ロジックの多様性に対応するために極めて重要です。

2.2. ZODによる型付けと検証の重要性

Mastraワークフローにおける信頼性の要は、ZODライブラリを用いた入力検証と型付けです。ZODは、JavaScript/TypeScriptエコシステムで広く採用されているスキーマ定義・検証ライブラリであり、AIエンジニアリングの分野でもその存在感を増しています。

  • LLM出力の型強制: LLMは非常に強力ですが、常に指定されたフォーマット（例: JSON）で正確な出力を返すとは限りません。ZODは、LLMの出力が定義されたスキーマに準拠しているかをランタイムで検証し、必要であれば型を強制（coercion）します。これにより、開発者はLLMの出力に依存してアプリケーションを安定して構築できます。
  • エラーの優雅な処理: スキーマに適合しない出力があった場合でも、ZODとMastraの連携により、エラーを適切にハンドリングし、パイプラインの停止を防ぎます。ワークショップのQ&Aでは、MastraがZODの検証に加え、モデルがスキーマを常に尊重しないという課題に対し、独自の「ツール互換性構造化出力レイヤー」を導入し、エラー率を大幅に低減していることが明かされました。これは、Mastraが単に既存のライブラリを統合するだけでなく、AI開発特有の課題に対する深い洞察に基づいた最適化を行っていることを示しています。

2.3. デバッグとイテレーションの効率化

Mastraのローカルプレイグラウンドは、ワークフロー開発のデバッグ体験を劇的に改善します。ワークフローの各ステップの入出力をリアルタイムで視覚化できるため、開発者は問題のボトルネックを素早く特定し、イテレーションを加速できます。ワークショップのデモでも、単一のステップから徐々に複雑なワークフローを構築していくプロセスが示され、ローカル環境での迅速な反復開発がいかに重要であるかが強調されました。

3. AIツール：エージェントに能力を授ける拡張機能

Mastraにおける「ツール」は、AIエージェントが外部の世界と対話し、特定のタスクを実行するために呼び出すことができる単なる関数です。しかし、そのシンプルさの中に、LLMの能力を劇的に拡張する大きな力が秘められています。

  • LLMの「手足」: LLMは広範な知識を持っていますが、リアルタイムのデータにアクセスしたり、特定のアクションを実行したりすることはできません。ツールは、LLMに「手足」を与え、ファイルシステムへのアクセス、外部APIの呼び出し（例: データベースクエリ、ImageFlip API）、カスタムビジネスロジックの実行などを可能にします。
  • コンテキストの提供: ツールは、LLMが訓練データに含まれていない、またはリアルタイムで変化するコンテキスト（状況依存の情報）にアクセスするためのゲートウェイとなります。これにより、LLMはより関連性の高い、正確な情報に基づいて意思決定を行い、タスクを遂行できます。

ワークショップでは、当初デモの全機能をツールとして実装する案があったものの、最終的にはエージェントがワークフローを呼び出す形に落ち着いたことが語られました。これは、ツールとワークフローの使い分けに関する重要な示唆を与えます。

  • ツール単体: エージェントが複数のツールの中から、状況に応じて適切なものを自律的に選択して呼び出すシナリオに適しています。LLMに高い判断の自由度を与える場合に有効です。
  • ワークフロー内のツール: ワークフローの各ステップが特定のツールを実行する形です。タスクの順序が決定論的であり、かつ各ステップで外部アクションが必要な場合に適しています。
  • エージェントがワークフローを呼び出す: 複雑な一連のタスクを単一のエンティティ（ワークフロー）として定義し、エージェントがそのワークフロー全体を呼び出すことで、より高レベルなオーケストレーションを実現します。これは、ワークショップのミームジェネレーターデモで採用されたアプローチであり、エージェントに「専門化された方法で物事を行う」能力を与えるための理想的なパターンとして紹介されました。

4. AIエージェント：人間とAIの理想的なインターフェース

「エージェント」という言葉は、AI開発の初期段階では混乱を招くこともありましたが、Mastraにおいては、特定のタスクを実行するためにプロンプトとワークフロー/ツールを組み合わせた「専門化されたシステム」と定義されます。エージェントは、人間とAIが対話するための「理想的なインターフェース」として設計されています。

  • 自然言語による指示: ユーザーは、自然言語で問題や必要なタスクをエージェントに伝えることができます。これにより、技術的な知識がないユーザーでも、複雑なAI機能を容易に利用できるようになります。
  • 自律的なタスク実行: エージェントは、与えられたプロンプトとアクセス可能なワークフローやツールに基づいて、適切な判断を下し、必要なステップを実行してタスクを完了させます。これは、従来の決定論的なソフトウェア開発とは異なり、システム全体が状況を「理解」し、意思決定（グラフ的な意味で「どこへ行くべきか」）を行う能力を持つことを意味します。
  • 内部ツールとしての活用: ワークショップでは、エージェントが社内の同僚にとって理想的なインターフェースとなる可能性が強調されました。例えば、忙しい同僚や非技術者の同僚が、自然言語で依頼するだけで、事前に定義された複雑なワークフローが自動的に実行されるようなシナリオです。これにより、これまで手作業で行われていた業務が自動化され、生産性が飛躍的に向上します。

Mastraのプレイグラウンドでは、エージェントのチャットインターフェースを通じて、ユーザーが直接対話しながら、その背後でワークフローがどのように実行されているかを可視化できます。プロンプト、温度（temperature）、モデルなどの設定をリアルタイムで調整し、エージェントの振る舞いを細かくチューニングできるため、迅速な実験と最適化が可能です。

5. MCP (Model Context Protocol)：AIの共通言語

AIエージェントの能力を最大限に引き出すためには、外部のデータや機能にアクセスするための標準化された方法が不可欠です。ここで登場するのが、Anthropicによって開発され、Claude、Cursor、Windsurf、そしてOpenAIなど、主要なLLMプロバイダーが採用を進めているオープンスタンダード「MCP (Model Context Protocol)」です。

  • ユニバーサルプラグイン: MCPは、AIエージェントにユニバーサルなプラグインやツールを提供するための方法を定義します。これにより、異なるLLMやAIクライアント間で同じツールやデータソースを共有し、利用することが可能になります。
  • コンテキストの力: ワークショップでは、WorkOSのDXチームで働くNick氏のGitHub MCPサーバーの体験が語られました。ClaudeをGitHubリポジトリのIssueに接続することで、ClaudeはIssueのコメント、関連リポジトリ、そしてNick氏のローカル開発環境のコードまでを理解し、再現方法や変更案を提案できるようになりました。これは、MCPがLLMに「訓練データにないコンテキスト」を与えることで、その問題を解決する能力を大幅に向上させる典型的な例です。
  • 幻覚の削減と正確性: MCPは、AIエージェントが最新の、正確なドキュメントや情報にアクセスできるようにすることで、LLMの「幻覚（hallucination）」を削減し、出力の信頼性を高める上で重要な役割を果たします。Mastraの開発チームは、IDEツールにMCPサーバーを導入することで、開発体験が大幅に向上し、幻覚がゼロになったという驚くべき経験を共有しました。これは、MCPが単なるプロトコルではなく、AI開発の品質を根本から改善する可能性を秘めていることを示唆しています。
  • Mcp.shopデモ: MCPの力を体験するための遊び心あふれるデモが「mcp.shop」です。このサイトでは、MCPクライアントを通じてのみ、無料の限定Tシャツを注文できます。ユーザーはClaudeなどのAIエージェントに自然言語でTシャツの注文を依頼し、エージェントはMCPサーバーを介して注文プロセスを実行します。このデモは、WorkOSが提供する認証レイヤーをMCPサーバーに適用する具体的な例としても機能し、AIエージェントが認証されたユーザーの代理として行動できる未来を示唆しています。

6. 実践：AIミームジェネレーターでMastraの力を体験する

ワークショップの中心的なデモは、「AIパワードミームジェネレーター」の構築でした。これは一見「おもちゃ」のように見えますが、プロダクションレディなAIアプリケーションを構築するためのMastraフレームワークの主要なパターンをすべて含んでいます。

6.1. デモの目的と機能

このミームジェネレーターは、ユーザーが抱える「職場での不満」などのテキスト入力を受け取り、以下のステップでミームを生成します。

  1. 不満の処理と分析: ワークフローがユーザーの不満テキストを分析し、その内容（例: 技術的な不満、コミュニケーションの不満）と感情（例: 苛立ち）を抽出します。これはMastraの最初のワークフローステップで行われます。
  2. 最適なミームベースの検索: 分析結果に基づき、ImageFlip APIを介して、ユーザーの不満に最も合致する（またはユーモラスな）既存のミームテンプレートを検索します。このステップでは、ミームの構造（例: テキストボックスの数や位置）も取得します。
  3. 新しいキャプションの生成: 選択されたミームテンプレートとユーザーの不満に基づいて、OpenAIモデルが新しいキャプションを生成します。この際、ミームのコンテキストとユーモアを考慮に入れます。
  4. ミームの公開: 生成されたキャプションをImageFlip APIに渡し、新しいミーム画像を生成し、安定したURLで公開します。

6.2. ワークショップでの開発プロセス

ワークショップでは、参加者がMastraのローカルプレイグラウンドとGitブランチチェックポイントを活用しながら、このミームジェネレーターを段階的に構築しました。

  • ステップ0（初期セットアップ）: Mastraプロジェクトの初期化とローカルプレイグラウンドの起動。この段階で、Mastraが自動的に提供するAPIエンドポイント、Swagger仕様、そしてデバッグ用UIを確認できます。
  • ステップ1（最初のワークフロー）: ユーザーの入力から不満の種類を抽出する単一のステップを持つシンプルなワークフローを作成。ここでZODスキーマを用いて、出力が構造化されたJSONオブジェクト（例: {"mood": "frustrated", "analyzedFrustration": "technology"}）になるように型付けします。ローカルプレイグラウンドでこのステップをテストし、入力に対する出力をリアルタイムで確認します。
  • ステップ2（全ワークフローの構築）: 不満分析、ミーム検索、キャプション生成、ミーム公開といった全てのステップを連鎖させ、完全なミーム生成ワークフローを構築します。ステップ間のデータマッピングを定義し、各ステップの入出力スキーマをZODで厳密に定義することで、非決定的なLLMの出力を信頼性の高い構造に変換します。
  • ステップ3（エージェントとの統合）: 最後に、このミーム生成ワークフローを呼び出すAIエージェントを作成します。エージェントには、その役割とワークフローを呼び出す能力を記述したプロンプトが与えられます。ユーザーはチャットインターフェースを通じてエージェントと対話し、自然言語で不満を伝えるだけでミームが生成されるようになります。

6.3. ローカルデバッグと迅速なイテレーション

このデモを通じて最も強調されたMastraの利点の一つは、ローカルプレイグラウンドを用いたデバッグの容易さです。

  • ステップごとの可視化: ワークフローの各ステップが緑色に点灯することで、正常に実行されたことを示し、各ステップをクリックすることでその入力と出力を詳細に確認できます。これにより、問題が発生した場合でも、どのステップで何が起きたのかを迅速に特定できます。
  • プロンプトと設定の調整: エージェントのチャットインターフェースやワークフローの実行画面から、プロンプトの内容、LLMの温度（temperature）、モデルなどの設定をリアルタイムで調整できます。これにより、デプロイメントサイクルを待つことなく、ローカル環境で迅速に実験と最適化を繰り返すことが可能になります。
  • 非決定性への対応: ミーム生成という性質上、LLMの非決定性が顕著に現れます。ワークショップでは、時には不適切であったり、意外なミームが生成されたりする可能性も指摘されましたが、これはLLMと協調して動作するシステムを構築する上でのリアルな課題と、Mastraが提供するデバッグツールがいかに重要であるかを浮き彫りにしました。

7. Mastra.aiがもたらすビジネスへのインパクトと将来性

Mastra.aiは、単なる技術的なフレームワークに留まらず、AIアプリケーション開発のあり方、ひいてはビジネスの運営方法に大きなインパクトを与える可能性を秘めています。

7.1. 迅速なプロトタイピングとプロダクションデプロイ

Mastraは、ローカルでの開発体験の優れたさに加え、プロダクション環境へのデプロイも考慮して設計されています。デフォルトでは、HonoサーバーとDockerコンテナにバンドルしてEC2やDigital Oceanなどにデプロイできますが、Cloudflare Workers、Netlify、Vercelなどのサーバーレスプラットフォーム向けのアダプターも提供しています。さらに、Mastra Cloudという独自のプラットフォームも存在します。これにより、開発者は自身のインフラ戦略に合わせて柔軟なデプロイオプションを選択できます。

耐久性のある実行（Durable Execution）バックエンドへの対応（Ingest、Temporal、Cloudflare Workflowsなど）は、長時間の処理や障害からの回復が求められるエンタープライズ級のAIアプリケーションにとって不可欠です。Mastraの「ワークフローv-next」という新機能は、この耐久性のある実行エンジンを柔軟に切り替えられるように設計されており、将来的な拡張性も担保されています。

7.2. 内部ツールの効率化

ワークショップでは、Mastraが「理想的な内部ツールプラットフォーム」となる可能性が繰り返し強調されました。Mastraは、標準化された方法でワークフローとエージェントを定義し、APIとして公開できるため、異なるプロジェクトやチームが共通のAI機能を再利用しやすくなります。

WorkOSのNick氏の事例では、複数のSDKリポジトリに共通のフィールドを追加するGitHub PRを自動生成するGitHub Actionsが、Claudeとの共同作業によりわずか2時間でプロトタイピングされたことが紹介されました。これは、Mastraのようなフレームワークが、日常的な「紙切れによる痛み」（paper cuts）を解消し、開発者の生産性を劇的に向上させる潜在能力を秘めていることを示しています。

7.3. ワークロードの適切なサイジングとコスト最適化

AIアプリケーションを大規模に運用する上で、LLMの利用コストは大きな課題です。Mastraのワークフローは、この課題に対して「ワークロードの適切なサイジング」という解決策を提供します。

例えば、ワークフローの最初のステップである「不満の抽出」のような比較的単純なタスクには、GPT-40やさらにはCloudflare Workers上でデプロイ可能な70億パラメータ級の小規模モデルなど、安価で高速なモデルを使用できます。一方で、より複雑なテキスト生成や推論が必要なステップには、より高性能で高コストなモデルを割り当てることができます。このように、各ステップのニーズに合わせて最適なモデルを使い分けることで、全体としての運用コストを最適化し、AIアプリケーションのスケーラビリティを向上させることが可能になります。

7.4. 非技術者へのAI活用の拡大

Mastraのもう一つの重要な影響は、AIアプリケーション開発の敷居を下げ、非技術職の専門家にもその力を開放する可能性です。ワークショップでは、Versel AIが提供するVzero Devのようなツールが、デザイナーやマーケティング担当者でも迅速にAIプロトタイプを構築できることを示唆しました。マーケティングチームのメンバーがカンファレンスで接触すべきエンジニアを特定する手作業のワークフローを、Nick氏がVzero Devでわずか4分でAIツールとしてプロトタイプを構築し、提供したというエピソードは、このパラダイムシフトの具体例です。

特に法律分野のような、膨大な情報を分析し、特定の情報を迅速に見つける必要がある業界では、セマンティック検索や情報圧縮に優れたGenAIツールへの関心が高まっています。Mastraのようなフレームワークは、これらの専門家が自身の知識領域でAIを活用し、効率を向上させるための橋渡し役となるでしょう。

8. まとめと次のステップ

Mastra.aiは、純粋なTypeScript、Versel AI SDK、そして包括的な「バッテリー同梱」機能を組み合わせることで、AIアプリケーション開発の多くの課題に対する強力なソリューションを提供します。ワークフロー、ツール、エージェントといった主要な概念を通じて、LLMの非決定性を管理し、信頼性の高い、プロダクションレディなAIアプリケーションを構築するための道筋を示しています。

特に、ローカルプレイグラウンドによるデバッグの容易さ、ZODによる型安全な出力保証、MCPによる外部コンテキストへのアクセス、そして多様なデプロイメントオプションは、開発者が迅速にイテレーションを行い、スケーラブルなAIソリューションを市場に投入するための強力な武器となるでしょう。

Mastraは、単に技術的な課題を解決するだけでなく、AIアプリケーションの構築と運用に関する文化的な変革をもたらす可能性を秘めています。内部ツールの効率化、ワークロードのコスト最適化、そして非技術者へのAI活用の拡大は、これからのビジネスにおいてAIが果たす役割を再定義するでしょう。

ワークショップで示されたミームジェネレーターは、Mastraの可能性のほんの一端に過ぎません。Mastra.aiのドキュメントを探索し、ツール作成、ベクトルデータベースとの統合、RAG（Retrieval Augmented Generation）パイプラインの実装など、さらに多くの機能を試してみることを強くお勧めします。

そして最後に、遊び心のあるMCPの力を体験するために、ぜひmcp.shopを訪れ、Tシャツを注文してみてください。そこには、AIエージェントと標準化されたプロトコルが織りなす、未来のインタラクションのヒントが隠されています。

AI開発のこのエキサイティングな時代において、Mastra.aiは、私たちが創造できるものの限界を押し広げ、新たな可能性を解き放つための鍵となるでしょう。未来は、今、あなたのTypeScriptコードの中にあります。

← 一覧に戻る