Schnellstart

Muse Code in wenigen Minuten zum Laufen bringen.

Muse Code ist für macOS, Linux und Windows allgemein verfügbar. Es übernimmt komplexe Software-Engineering-Aufgaben in großen Repositories — plant Änderungen, schreibt Code und prüft die Ergebnisse — komplett aus deinem Terminal.

1. Installation

Ein einziger Befehl installiert die CLI:

$curl -fsSL https://dev.meta.ai/install.sh | bash

Das Skript legt das muse-Binary in deinen PATH — prüfe das mit muse --version. Du willst das Skript vorher lesen? Lade es mit -o install.sh herunter, sieh es durch und führe es dann aus.

Windows

Für Windows gibt es einen eigenen nativen Installer: Führ in PowerShell irm https://dev.meta.ai/install.ps1 | iex aus und prüf die Installation mit muse --version. Unter Windows führt der Agent Befehle in PowerShell statt in Bash aus, die Sandbox zeigt beim ersten Start womöglich eine UAC-Abfrage, und Spracheingabe sowie Nachrichten zwischen Sessions gibt es dort nicht. Brauchst du diese Funktionen oder eine Bash-Toolchain, nimm stattdessen WSL2: Führ in einer PowerShell mit Administratorrechten wsl --install aus und starte dann in der Linux-Shell den Installer für macOS/Linux. Leg diese Repositories im Linux-Dateisystem ab (zum Beispiel unter ~/code), nicht unter /mnt/c, denn Dateizugriffe über diese Grenze hinweg sind deutlich langsamer.

2. Anmelden

Beim ersten Start öffnet sich der Browser zur Anmeldung auf dev.meta.ai mit deinem Meta-Entwicklerkonto. Die Zugangsdaten werden lokal zwischengespeichert — kein erneutes Anmelden pro Session. Die Nutzung wird über deinen Monatsplan abgerechnet oder, bei Pay-as-you-go, über die Meta Model API.

Nicht-interaktive Läufe. Für CI, Skripte und Headless-Maschinen nimmst du statt des Browser-Flows einen API-Key: Erstelle ihn im Model-API-Dashboard (API keys → Create API key) und exportiere ihn als META_API_KEY oder speichere ihn mit muse auth set. Keys beginnen mit LLM_. Muse Code prüft zuerst META_API_KEY, dann einen gespeicherten Key und erst danach eine Browser-Session; /login öffnet die Anmeldeoptionen erneut, muse logout löscht gespeicherte Zugangsdaten.

3. Führe deine erste Aufgabe aus

Sobald die Anmeldung steht, kannst du in jedem deiner Projektverzeichnisse loslegen:

$ cd my-repo$ muse

Beschreib das gewünschte Ergebnis in normaler Sprache. Eine gute erste Aufgabe ist klein und überprüfbar — „ergänze den fehlenden Test für parseDate und stell sicher, dass er durchläuft“ — du siehst dann, wie ein Worker die Änderung entwirft, ein Reviewer sie kritisiert und der Test läuft.

Zwei Kostenhebel, die du vom ersten Tag an kennen solltest: Muse Spark ist ein Reasoning-Modell — es denkt nach, bevor es antwortet, und diese Token werden als Output abgerechnet — mit /effort regelst du das Denken pro Aufgabe hoch oder runter. Und dein Ton, dein Format und andere Dauerregeln können in einer System-Message stehen, damit du sie nicht in jedem Prompt wiederholst.

Aktualisieren & deinstallieren

Muse Code aktualisiert sich selbst: Der Installer richtet einen Launcher ein, der das Binary aktuell hält, und seit CLI 1.4.11 wird eine Session, die während eines Auto-Updates weiterläuft, samt Verlauf fortgesetzt. Welche Version du hast, zeigt muse --version — gleich das mit dem Changelog ab. Führst du den Installationsbefehl erneut aus, bekommst du ebenfalls den neuesten Build. Einen Befehl zum Deinstallieren dokumentiert Meta nicht. Unter macOS und Linux legt der Installer den Launcher in ~/.local/bin ab (muse plus versionierte muse-bin-*-Dateien) und trägt dieses Verzeichnis in dein Shell-Profil ein; löschst du diese Dateien, ist Muse Code deinstalliert. Die Einstellungen liegen in ~/.config/muse/. Unter Windows zeigt dir Get-Command muse, wo das Binary liegt. Ein Abo kündigst du separat im Accounts Center — nur die CLI zu löschen, stoppt die Abrechnung nicht.

Asynchrone Hintergrund-Agenten

Muse Code arbeitet mit einer einfachen Agenten-Schleife plus einer Reihe asynchroner Hintergrund-Agenten, die den Haupt-Agenten verstärken. Diese spezialisierten Agenten bleiben über die gesamte Session aktiv, statt pro Aufgabe neu gestartet zu werden — das erspart doppeltes Zusammensuchen von Informationen. Sie gehen die nächsten Schritte eigenständig an und entscheiden selbst, wann sie sich beim Haupt-Agenten zurückmelden — ihre Beständigkeit senkt die Latenz und den Steuerungsaufwand bei schwierigen, mehrstufigen Aufgaben.

Agenten-Fan-out & Git-Worktrees

Zerfällt ein Job in mehrere Aufgaben, fächern sie automatisch auf separate Agenten auf: Der Eltern-Agent startet pro Aufgabe einen schreibfähigen Kind-Agenten, und jedes Kind bekommt seinen eigenen git worktree — parallele Kinder kommen sich nie bei denselben Dateien in die Quere, und deine Arbeitskopie bleibt sauber.

Workflows

Workflows kamen mit dem Ende der Beta von Muse Code hinzu und orchestrieren ein Team spezialisierter Agenten über einen größeren Job hinweg: Jede Stufe reicht ihr Zwischenergebnis an die nächste weiter, und am Ende bekommst du ein einziges Ergebnis. Du startest einen Workflow, indem du Muse Code bittest, „einen Workflow zu verwenden“; steht der Effort auf ultra, kann auch automatisch einer ausgelöst werden. /workflows zeigt jeden Lauf live — dort kannst du ihn stoppen, neu starten oder abbrechen —, und gespeicherte Workflows lassen sich wiederverwenden.

Nachrichten zwischen Sessions

Sessions auf demselben Rechner können sich über einen lokalen Unix-Socket gegenseitig Nachrichten schicken. Wirkt sich eine Änderung in einer Session auf das aus, was eine andere gerade baut, gibt sie eine Warnung weiter; klärt eine Session eine Frage, an der eine andere hängt, schickt sie die Antwort rüber — kein erneutes Abtippen zwischen Terminals. Der Agent findet die anderen Sessions und verschickt Nachrichten mit zwei eingebauten Tools.

Event-Log & Zurückspulen

Muse Code nutzt ein lokales Event-Log, an das jeder Modellaufruf, jeder Tool-Lauf, jede Freigabe und jede Änderung angehängt wird. Diese eine Quelle der Wahrheit macht die Laufzeit exakt wiederholbar und neustartsicher: Nach einem Absturz macht der Agent genau dort weiter, wo er stehen geblieben ist — so übernimmt er auch langlaufende Aufgaben, ohne von Ausfällen aus der Bahn geworfen zu werden. Jeder Subagenten-Start, jede Kurskorrektur und jeder Abbruch ist nachvollziehbar — muse replay geht eine Session Schritt für Schritt durch, und vollständige Traces lassen sich für Übergabe oder Audit exportieren. Drück zweimal Esc, um die Unterhaltung auf einen früheren Punkt zurückzuspulen; Muse Code bietet dabei nur Rücksprungpunkte an, die das Event-Log als sicher markiert.

Mitgelieferte Skills & Befehle

Muse Code bringt mehrere Standard-Skills mit — eine grobe Idee rein, ein auf Herz und Nieren geprüftes Feature raus:

/planMacht aus einer Aufgabe einen freigabepflichtigen Plan, bevor Code angefasst wird

/grillSetzt den Plan so lange unter Stress, bis er standhält

/goalArbeitet auf den erfolgreichen Abschluss des gesetzten Ziels hin — gemergt wird, was du ursprünglich wolltest

/workflowsListet Workflow-Läufe live auf — jeden davon kannst du stoppen, neu starten oder abbrechen

/modelWechselt das Modell dahinter — z. B. zu muse-wonder-1.0; in der Auswahl stellst du auch die Reasoning-Stufe ein

/effortRegelt das Reasoning hoch oder runter — Denk-Token werden als Output abgerechnet, also spar dir tiefes Reasoning für harte Aufgaben auf

Esc EscSpult die Unterhaltung auf einen sicheren Punkt aus dem Event-Log zurück

muse replayGeht das Event-Log einer Session Schritt für Schritt durch; vollständige Traces lassen sich für Übergabe oder Audit exportieren

Berechtigungen & Freigabemodi

Muse Code startet mit aktiven Freigaben und einer Sandbox auf Betriebssystemebene (Seatbelt unter macOS, bubblewrap unter Linux, die Windows-Sandbox unter Windows). Schreiben darf der Agent nur im Workspace und in einem temporären Verzeichnis; .git, .muse und .agents bleiben schreibgeschützt. Neue Sessions starten im Profil Auto-review: Ein eingebauter Prüfer entscheidet Routine-Freigaben selbst und reicht den Rest an dich weiter. Die anderen Profile heißen Ask me, Read-only und Unrestricted. Das Standardprofil legst du mit permissions.default_profile in ~/.config/muse/settings.json fest. Die wichtigsten Flags:

--approval-mode on-requestStandard. Sichere Shell-Schritte laufen durch, gefährliche wie rm -rf halten zur Prüfung an

--approval-mode untrustedStrenger: Jeder Shell-Schritt ohne passende Allow-Regel hält zur Prüfung an

--approval-mode neverNichts wartet auf eine Freigabe; was läuft, begrenzt allein die Sandbox

--disable-approvalÜberspringt die Freigabe-Abfragen, lässt die Sandbox aber aktiv

--yoloKeine Freigaben, keine Sandbox, der Workspace gilt als vertrauenswürdig. Laut Meta nur in isolierten Wegwerf-Containern verwenden

--sandbox-networkproxy-only (Standard, jedes Ziel wird einzeln freigegeben), restricted oder unrestricted

Wird ein Befehl angehalten, kannst du ihn einmal erlauben, in diesem Workspace immer erlauben oder ablehnen. MCP-Tools und Hooks laufen außerhalb der Sandbox — verbinde also nur Server, denen du vertraust.

Muse Spark 1.3

Muse Spark 1.3, erschienen am 2. September 2026, ist das Modell hinter Muse Code. Es behält das Trainingsrezept bei, das 1.2 ausgezeichnet hat — gemeinsames Training mit dem Muse-Code-Harness, umfangreiche Arbeit mit langem Zeithorizont und eine Selbstverbesserungsschleife — und legt den Fokus auf Alltagstauglichkeit. Der Preis ist gegenüber 1.2 unverändert. Drei Dinge stechen heraus:

Längere Threads

Hält Arbeit mit längerem Zeithorizont über mehrere Workflows hinweg in einem einzigen Thread durch und trägt den Kontext von einer Stufe zur nächsten.

Fragt nach, statt zu raten

Arbeitet aktiver mit: Es stellt klärende Rückfragen, sagt Bescheid, wenn es feststeckt, und schätzt seine eigenen Grenzen besser ein, statt Ergebnisse zu melden, die es nicht erreicht hat.

Schlankere Läufe

In Vergleichen von Meta-Ingenieuren erledigte es dieselbe Coding-Arbeit mit rund 20 % weniger Tool-Aufrufen und 25 % weniger Token als 1.2 — bei gleichem Preis pro Token heißt das: eine kleinere Rechnung.

Benchmarks (maximale Reasoning-Konfiguration, laut Meta): DeepSWE 1.1 · 75,4 % — Terminal-Bench 2.1 · 88,8 % — SWEAtlas CodeBase QnA · 59,4 %. Zum Launch befand sich die Max-Konfiguration noch in Sicherheitstests; die Konfiguration, die die meisten Entwickler bekommen, schneidet schlechter ab. Methodik auf research.meta.ai.

Muse Wonder

Muse Wonder und Muse Wonder Full, erschienen am 12. Oktober 2026, sind Metas erste Frontier-Modelle: größer als Muse Spark und ausgelegt auf lange, schwierige Aufgaben beim Programmieren und in Bereichen wie Recht und Finanzen. Meta hebt Active Memory hervor, das relevanten Kontext über Unterhaltungen hinweg mitnimmt, sowie Active Focus, das einen Agenten beharrlich auf ein Ziel hinarbeiten und vor wichtigen Aktionen Rücksprache halten lässt. Mit /model muse-wonder-1.0 wechselst du zu Wonder; über die API kostet es $4 / $0.20 / $20 pro 1M Input- / Cached- / Output-Token, eine Contributor-Variante gibt es nicht. Muse Wonder Full ist nur in den Plänen Power und Maximum enthalten.

Muse Spark Open

Muse Spark Open, erschienen am 15. Oktober 2026, ist ein Muse-Modell mit offenen Gewichten: 816B Parameter insgesamt, davon 42B pro Token aktiv, 1M Token Kontext sowie Text, Bild, Video und Audio als Eingabe. Es steht unter der Muse Model License, einer eigenen Lizenz von Meta; die Gewichte liegen auf Hugging Face unter meta-models/Muse-Spark-Open-816B-A42B. Ein Laptop-Modell ist das nicht: In NVFP4 braucht es rund 700 GB Beschleunigerspeicher. Meta hat Muse Code damit auf zwei Mac Studios laufen lassen, ein lokales Setup aber nicht dokumentiert. Suchst du ein Modell, das auf eine einzelne Consumer-GPU passt, sieh dir Muse Glimmer an.

Fallstudie: Kernel-Optimierung

Meta hat getestet, wie gut Muse Spark 1.2 GPU-Kernel über 1.000+ Tool-Aufrufe hinweg iterativ optimiert — bis zu 24 Stunden am Stück. In der Agentenumgebung von Muse Code schreibt, kompiliert und profiliert das Modell Kernel und verbessert ihre Performance schrittweise gegenüber einer Baseline, gemessen an KDA- und MLA-Kerneln für NVIDIA-Hopper-GPUs. Da das Umhüllen von Kernel-Bibliotheken Dritter verboten war, implementierte es die Algorithmen direkt in Triton — und fand immer wieder deutliche Verbesserungen gegenüber der Baseline.

Meta Model API

Die Modelle hinter Muse Code sind auch direkt verfügbar — `muse-spark-1.3` und `muse-wonder-1.0` gibt es in der Model API, und Muse Spark 1.3 ist außerdem in Muse Code, in der Meta Model API, auf OpenRouter und in Cursor verfügbar. Die API ist Drop-in-kompatibel mit dem OpenAI SDK, dem Anthropic SDK und Agenten-CLIs wie OpenCode und Claude Code: Richte deinen Client auf die Base-URL, der Rest deines Codes bleibt unverändert. Das Kontextfenster umfasst 1.048.576 Token.

# export MODEL_API_KEY="LLM_..."client = OpenAI( base_url="https://api.meta.ai/v1", api_key=os.environ["MODEL_API_KEY"], ) response = client.chat.completions.create( model="muse-spark-1.3", messages=[{"role": "user", "content": "Hello, world!"}], )

Headless-Betrieb & CI

muse exec "<prompt>" führt eine Aufgabe bis zum Ende aus und beendet sich dann — das ist die Form für Skripte und CI. Mit --json bekommst du JSONL-Events auf stdout, mit --prompt-file liest Muse Code den Prompt aus einer Datei, --max-model-steps deckelt den Arbeitsumfang, und --session-id setzt eine frühere Session fort. Zur Authentifizierung dient META_API_KEY aus dem Secret Store deiner CI. Exit-Code 0 heißt nur, dass der Turn abgeschlossen ist, nicht dass das Ergebnis stimmt — mach Merges also von deinen eigenen Tests abhängig. Auf Linux-Runnern braucht die Sandbox bubblewrap und einen Build ohne musl.

# CI: key from your secret store, JSONL events on stdout$ META_API_KEY="$MUSE_KEY" muse exec --json "fix the failing test in tests/date.test.ts"

Muse-Modelle in anderen Agenten

Meta dokumentiert Setups, mit denen OpenCode, Codex und Claude Code die Model API nutzen. Du brauchst die OpenAI-kompatible Base-URL https://api.meta.ai/v1 (für OpenCode und Codex) bzw. die Base-URL im Anthropic-Format https://api.meta.ai ohne /v1 (für Claude Code), deinen MODEL_API_KEY und eine Modell-ID wie muse-spark-1.3 oder muse-wonder-1.0. In Claude Code setzt du ANTHROPIC_AUTH_TOKEN statt ANTHROPIC_API_KEY und lässt jeden Modell-Alias auf ein Muse-Modell zeigen, damit nichts auf Claude zurückfällt. In Codex sorgt wire_api = "responses" dafür, dass das Reasoning über mehrere Turns erhalten bleibt. Abgerechnet wird pro Token über die Model API; dein Muse-Code-Plan deckt das nicht ab.

# Claude Code on Meta's Model APIexport ANTHROPIC_BASE_URL="https://api.meta.ai"export ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY"export ANTHROPIC_MODEL="muse-wonder-1.0"export ANTHROPIC_DEFAULT_OPUS_MODEL="muse-wonder-1.0"export ANTHROPIC_DEFAULT_SONNET_MODEL="muse-spark-1.3"export ANTHROPIC_DEFAULT_HAIKU_MODEL="muse-spark-1.3"export CLAUDE_CODE_SUBAGENT_MODEL="muse-spark-1.3"

Muse-Code-SDK

Seit Muse Code die Beta verlassen hat, ist das SDK als Developer Preview verfügbar: Damit bauen Teams eigene Agenten auf dem Muse Session Protocol (MSP) — einem offenen Protokoll über Standard-I/O, ohne Server und ohne Netzwerk, sodass alles auf deinem Rechner bleibt. Die TypeScript-Bibliothek deckt Sessions, Tools und Berechtigungssteuerung ab, und mit dem maschinenlesbaren Schema von MSP kannst du Clients in anderen Sprachen generieren. Quellcode: github.com/meta-models/muse-code-sdk.

Cookbook

Rezepte, die beim ersten Kopieren laufen — jedes löst ein klar umrissenes Problem, zeigt funktionierenden Code und weist auf den nächsten Schritt. Drei Bereiche, plus Rezepte für die Kernmuster von Muse Code.Alle 28 Rezepte ansehen →

API-Grundlagen · 10 Rezepte

Belege, dass jedes Primitiv funktioniert: Chat Completions, Streaming, Tool Calling, strukturierte Ausgabe, Prompt Caching, Reasoning-Token, Bildeingabe, langer Kontext, Fehlerbehandlung und Search Grounding mit Inline-Zitaten.

Agenten-Muster · 5 Rezepte

Die Schleifen, die aus einem Modell einen Agenten machen: die Wahrnehmen-Entscheiden-Handeln-Schleife, verschränktes Reasoning mit Tool-Einsatz, Kontextverwaltung über mehrere Runden und validierte In-Place-Änderungen.

Anwendungsfälle · 13 Rezepte

End-to-End: im Browser verifiziertes Webdesign und Spieleentwicklung, ein Multi-Agenten-Produktstudio mit vier Rollen, das sich über ein gemeinsames Kanban-Board abstimmt, ein autonomer GitHub-Actions-Bot auf OpenCode, Computersteuerung unter Linux und macOS und mehr.

Muse-Code-Rezepte

Agenten-Fan-out — teile einen großen Job auf Subagenten in isolierten Worktrees auf; mitgelieferte Skills — grobe Idee rein, geprüftes Feature raus; Ziel-Tracking — halte einen Agenten so lange bei der Sache, bis er mergt, was du wolltest.