28 Rezepte in drei Kapiteln: Wegweiser durch das Model-API-Cookbook
Metas Cookbook verspricht Rezepte, die beim ersten Copy-Paste laufen. Das Versprechen hält — wegen der Struktur: Jedes Kapitel setzt genau das voraus, was das vorherige bewiesen hat.
Die Design-Philosophie
Jedes Rezept ist ein in sich geschlossener Copy-Paste-Startpunkt, der genau eine Fähigkeit belegt und dir etwas zum Weiterbauen hinterlässt. Das Setup ist bewusst trivial: ein Model-API-Account, ein Key als MODEL_API_KEY exportiert, das OpenAI-SDK auf https://api.meta.ai/v1 gerichtet. Die API ist Drop-in-kompatibel mit dem OpenAI-SDK, dem Anthropic-SDK und Agenten-CLIs wie OpenCode — die Rezepte laufen also mit Werkzeugen, die du ohnehin schon hast. Formate: Colab-Notebooks plus eigenständige Python-Dateien.
Kapitel eins: API-Grundlagen (10 Rezepte)
Die Primitive, eines nach dem anderen: die erste Chat-Completion, Streaming, Tool-Calling, strukturierter Output, Prompt-Caching, Steuerung der Reasoning-Token, Bildeingabe, langer Kontext, Fehlerbehandlung mit Backoff und Search-Grounding mit Inline-Zitaten. Die Disziplin dahinter: pro Rezept wird genau ein Baustein validiert. Wenn später in einem komplexen Agenten etwas bricht, weißt du, welches Primitiv du verdächtigen musst — weil du jedes einzeln hast funktionieren sehen.
Zwei davon werden gern unterschätzt. Prompt-Caching ist die Ökonomie des agentischen Codens — der Repository-Kontext, der jeden Turn erneut mitgeschickt wird, kostet nur den Cache-Tarif, einen Bruchteil des frischen Inputs (die Tier-Rechnung erklärt, warum das echte Rechnungen dominiert). Und strukturierter Output — schema-garantiertes JSON, das beim ersten Versuch parst — ist der Unterschied zwischen einer Agenten-Pipeline und einem Haufen Regex.
Kapitel zwei: Agenten-Muster (5 Rezepte)
Hier wird aus einem Modell ein Agent: die zentrale Perceive-Decide-Act-Schleife, verschränktes Reasoning und Tool-Nutzung in einem einzigen Turn, Kontext-Management über lange Läufe, validierte In-Place-Edits (Search-and-Replace, das sich selbst überprüft — das Muster, das jeder ernsthafte Coding-Agent verwendet) und ein Alert-Fatigue-Copilot, der aus einem verrauschten Feed belegte Muster extrahiert, mit Selbsteinschätzung in striktem JSON. Fünf Rezepte — und zusammen ergeben sie einen funktionierenden Bauplan dafür, wie Tools wie Muse Code im Inneren konstruiert sind.
Kapitel drei: Anwendungsfälle (13 Rezepte)
Das Ernte-Kapitel, und die Bandbreite ist der Punkt: Chart-Analyse und Screenshot-zu-Bugfix auf der Wahrnehmungsseite; browser-verifiziertes Webdesign und Spieleentwicklung, bei denen der Agent seine eigene Arbeit in einem echten Browser prüft; Codeausführung in der Sandbox; ein Produktstudio mit vier Profilen (PM, Backend, Frontend, Tech Writer), die sich über ein gemeinsames Kanban-Board koordinieren; ein 3D-Spiel im One-Shot aus einem einzigen strukturierten Prompt; ein autonomer GitHub-Actions-Bot; und Computer Use unter Linux wie macOS. Jedes davon ist ein kleines Produktionsmuster — kein Spielzeug.
Wo du anfängst
Wenn du die API evaluierst: Grundlagen 01 (Quickstart), dann 03 (Tool-Calling), dann Agenten-Muster 01 — ein Nachmittag, und du hast die Form der Plattform verstanden. Als Muse-Code-Nutzer gehst du direkt zu den drei Muse-Code-Rezepten — Agent-Fan-out, mitgelieferte Skills, Goal-Tracking —, die die Kern-Muster des Produkts in lauffähigen Code übersetzen. Der vollständige Index listet alle 28 mit Links zum Quellcode.