agent.generate() 全链路
从用户调用 agent.generate() 到拿到 FullOutput 之间，Mastra 内部构造了 3 层嵌套 Workflow（prepare-stream → agentic-loop → agentic-execution × N），跑 Processor 管线，多次调用 LLM，直到模型不再返回 tool_call。下面逐步拆解。
逐步骤拆解
13 steps agent.generate(messages) User 用户把消息（字符串或 Message 数组）传给 Agent.generate()，可以传 options（maxSteps、tools、temperature、output 等）。
#execute(options) Agent Agent 私有方法做参数归一化、合并 agent 级默认配置、把 message 转成 AI SDK 兼容格式，准备 stream 选项。
createPrepareStreamWorkflow() PrepareStream Workflow 位于 agent/workflows/prepare-stream/。构造最外层 workflow，包含 prepare-memory-step（从 storage 加载历史消息，226 行）、prepare-tools-step（合并 agent tools + MCP tools + 内置 tools，83 行）、input processor 执行、map-results-step（把 LLM 输出映射成 MastraModelOutput，415 行）。这个 workflow 的输出是可以直接送进 LLM 的消息列表和工具集合。
processInput / processLLMRequest ProcessorRunner 按注册顺序跑每个 Processor 的 input 侧 hooks。Memory processor 注入历史消息；Skills processor 注入技能 prompt；Browser-context processor 注入当前页面上下文；Caching processor 检查命中缓存。每个 Processor 都可以增删改消息。
stream(loopOptions) MastraLLMVNext Agent 持有 MastraLLMVNext（LanguageModel 的包装），它不直接调 AI SDK，而是把 stream 请求转给 loop()，把 AI SDK 的 doStream 和 Mastra 自己的 agentic loop 接起来。
loop(options) MastraLLMVNext → loop() MastraLLMVNext（位于 llm/model/model.loop.ts，是 Agent → loop() 之间的胶水）接收 stream 请求，把它转给 loop()（loop/loop.ts，177 行）。loop() 构造 agentic-loop workflow 并通过 workflowLoopStream()（loop/workflows/stream.ts，378 行）驱动 ReadableStream。
createAgenticLoopWorkflow() AgenticLoop Workflow iteration loop 外层循环 workflow。负责维护迭代计数、检查 TripWire（maxSteps/token/cost）、判断终止条件。每一轮迭代都 spawn 一个 agentic-execution workflow。
createAgenticExecutionWorkflow() AgenticExecution Workflow 单次迭代：跑 processLLMRequest（per-step 再次让 processor 介入，比如 structured output 这里注入 response_format）→ 调 AI SDK LanguageModel.doStream() → 消费输出流 → 如果有 tool_call 则跑工具执行 step → 如果是纯文本则标记迭代结束。
LanguageModel.doStream() LLM Step 最终真正打到 AI SDK provider（openai/anthropic/...）的 HTTP 调用。文本 token、tool_call 分片在这里以流式事件形式输出，Mastra 把它们包成 MastraModelOutput chunks。
forEach tool call: validate + execute Tool Step tool branch 如果模型返回 tool_calls，AgenticExecution 按顺序（或 parallel）执行每个工具。工具支持 requireApproval（中断循环等人审）、suspend（睡眠等待外部事件）、background（由 tool-loop-agent 在后台跑）。工具结果追加到消息列表，下一轮迭代喂回 LLM。
no tool calls → stop iteration AgenticExecution Workflow terminate 模型这轮返回的只有文本，没有 tool_call → agentic-loop 判断终止条件成立 → 结束循环。
processLLMResponse / processOutput ProcessorRunner 循环结束后跑 output 侧 processors：把 memory 写入 storage、做 structured output 校验、触发 observability span。
MastraModelOutput → FullOutput Stream / Agent 流式 chunks 聚合为 FullOutput（text + toolResults + usage + steps）返回给用户。stream() 路径则把 ReadableStream 直接返回。
关键点
takeawaysprepare-stream → agentic-loop → agentic-execution × N。不是 while 循环，而是把迭代本身建模为可持久化、可中断、可恢复的工作流。
外层 prepare-stream 跑一次 processInput；每轮迭代内 agentic-execution 再跑一次 processLLMRequest。这就是为什么 memory/skills/caching 能在循环中途持续生效。
位于 llm/model/model.loop.ts，不从 llm/index.ts 导出，被 agent/agent.ts 直接 import。它把 AI SDK LanguageModel 的 doStream 路由进 Mastra 自己的 loop()——这是 agent.generate() 最终跑三层 workflow 的关键 indirection。
requireApproval、suspend、background execution 都不是 Tool 类里的标志位判断，而是 agentic-execution workflow 的分支节点——durable execution 天然支持中途停下等外部事件。