Mastra Factory: od zgłoszenia do kodu z agentami AI

Mastra Factory to środowisko open source do tworzenia oprogramowania z agentami AI. Łączy repozytoria, przyjmowanie zadań, planowanie, implementację i przegląd pull requestów. Pozwala przekazać agentom pracę nad kodem, zachowując decyzje dotyczące zakresu, planu i przyjęcia rozwiązania po stronie zespołu.

Do czego służy Mastra Factory? Proste wyjaśnienie

Załóżmy, że zgłaszasz błąd w GitHubie. Agent sprawdza projekt, proponuje plan, zmienia pliki i uruchamia kontrole. Zespół ogląda poprawkę i ocenia, czy spełnia wymagania. Factory porządkuje tę drogę od zgłoszenia do zmiany gotowej do przeglądu.

Typowe zastosowania to nowe funkcje, poprawki błędów, refaktoryzacja i testy. Wynikiem może być PR powiązany z pierwotnym zadaniem. Potrzebne są jednak repozytorium, dostęp do modelu i skonfigurowane środowisko wykonawcze, a także osoba potrafiąca ocenić kod.

Zadania, plany i osobny przegląd PR

Proces obejmuje Intake, Triage, Planning, Building, Review i Done. Reguły etapów określają sposób obsługi różnych zadań. W trakcie analizy zespół uzupełnia kontekst; przed implementacją może poprawić lub zaakceptować plan.

Każde zadanie zachowuje własną sesję. Pull request ma osobny element przeglądu i odrębną sesję. Scalenie PR nie oznacza więc automatycznie ukończenia pierwotnej pracy. Jedno zadanie może wymagać kilku PR-ów, dlatego trzeba sprawdzić kryteria akceptacji oraz stan zgłoszenia.

Pierwsza próba na istniejącym repozytorium

Zgodnie z instrukcją startową:

1. Poza repozytorium docelowym uruchom npm create factory@latest my-factory i przejdź konfigurację.
2. Ustaw jednorazowo FACTORY_CREDENTIAL_ENCRYPTION_KEY w .env. Jeśli klucza brakuje, instrukcja podaje openssl rand -base64 32. Zabezpiecz kopię; zmiana klucza może uniemożliwić odczyt zapisanych danych dostępowych.
3. Wykonaj npm run dev, otwórz podany adres i połącz GitHub oraz dostawcę modelu. Linear jest opcjonalny.
4. W Settings → Work Intake włącz synchronizację zgłoszeń i wybierz repozytorium. Nadanie dostępu do kodu nie włącza samoistnie odbioru zgłoszeń.
5. Dodaj małe zadanie, np. uzupełnienie README, z jasnymi kryteriami. Na pierwszą próbę wyłącz automatyczny start i automatyczną akceptację planów.
6. Przeczytaj analizę, odpowiedz na pytania i zaakceptuj plan po sprawdzeniu. Następnie oceń diff, wyniki narzędzi oraz kontrole PR przed zwykłym przeglądem i scaleniem.

Wdrożenie i przetwarzanie prywatnego kodu

Dostępne warianty to pełna platforma, lokalny serwer z zasobami Mastra i pełny self-hosting. Lokalny serwer może nadal korzystać z chmurowego uwierzytelniania, PostgreSQL i sandboxów. Nie jest to równoznaczne z przetwarzaniem wszystkiego na komputerze.

Opcja --no-platform wymaga własnego uwierzytelniania, trwałej bazy danych i konfiguracji wykonania. Produkcja potrzebuje działającego stale procesu Node.js oraz HTTPS obsługującego strumieniowanie. Szczegóły zawiera dokumentacja wdrożenia.

Dostęp do modeli zależy od konta dostawcy, a poświadczenia osobiste i organizacyjne mają różny zakres. Nie umieszczaj kluczy w zgłoszeniach. Przed podłączeniem poufnego kodu sprawdź politykę prywatności i warunki dostawców modeli oraz środowisk wykonawczych.

Koszt platformy a otwarty kod

Stan na 10 września 2026 r.: oficjalne ceny w USD wskazują Starter za 0 USD miesięcznie, ze 100 tys. zdarzeń obserwowalności, 24 godzinami CPU i 15 dniami przechowywania danych. Teams kosztuje według cennika 250 USD miesięcznie; Enterprise podlega wycenie.

To limity zasobów, nie nieograniczona liczba zadań AI. Modele, dodatkowe zużycie i hosting mogą zwiększać koszty. Sprawdź pełny cennik; nie jest to cena w złotych z lokalnymi podatkami. Zasady licencji rozróżniają kod Apache 2.0 i funkcje enterprise w katalogach ee/, wymagające ważnej licencji w produkcji.

Najczęstsze pytania

Czy mogę podłączyć istniejący projekt?

Tak. Połącz repozytorium GitHub i skonfiguruj intake zgłoszeń. Linear nie jest obowiązkowy.

Czy działanie jest całkowicie bezpłatne?

Nie. Otwarty kod i darmowy poziom platformy nie wykluczają opłat za modele, hosting, nadwyżki zasobów i funkcje enterprise.

Czy lokalny serwer oznacza lokalne dane?

Nie automatycznie. Trzeba sprawdzić serwer, uwierzytelnianie, bazę, model oraz sandbox jako całość.

Kto zatwierdza ostateczne zmiany?

Zespół może doprecyzować zadanie, zatwierdzić plan i zdecydować o scaleniu PR. Poziom automatyzacji wynika z reguł tablicy.

Oficjalne materiały

• Dokumentacja Factory — uruchomienie i konfiguracja.
• GitHub Mastra — kod i zgłoszenia.
• Oficjalny Discord — społeczność programistów.
• Mastra w X — ogłoszenia.
• Kontakt z zespołem — demonstracje i pytania enterprise.