Schnellstart

Muse Code in wenigen Minuten zum Laufen bringen.

Muse Code ist für macOS und Linux allgemein verfügbar und läuft unter Windows über WSL2. 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 (über WSL2)

Einen nativen Windows-Build gibt es nicht — der Installer unterstützt macOS und Linux. Unter Windows 10 oder 11 führst du in einer PowerShell mit Administratorrechten wsl --install aus, um WSL2 mit Ubuntu einzurichten, öffnest die Linux-Shell und führst dort denselben Installations-Einzeiler aus. Leg deine Repositories im Linux-Dateisystem ab (zum Beispiel unter ~/code) statt unter /mnt/c: 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 setze ihn als MODEL_API_KEY.

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.

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-spark-1.3 zum Standardpreis der Model API
/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

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.

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 ist 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|{numeric_id}|{secret}"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!"}], )

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.