Schnellstart

Muse Code in wenigen Minuten zum Laufen bringen.

Muse Code ist als Beta für macOS und Linux 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.

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. Zugang und Abrechnung laufen 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.

Event-Log

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.

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
/modelWechselt das Modell dahinter — z. B. zu muse-spark-1.2 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
muse replayGeht das Event-Log einer Session Schritt für Schritt durch; vollständige Traces lassen sich für Übergabe oder Audit exportieren

Muse Spark 1.2

Muse Spark 1.2 ist ein aufs Coden ausgerichtetes Update von Muse Spark 1.1, mit Verbesserungen bei Codegenerierung, komplexem Debugging, Codebase-Verständnis und durchgängigen Entwickler-Workflows — die Trainingsrechenleistung für Coding-Aufgaben wurde deutlich hochgefahren und zugleich die Vielfalt der Umgebungen erweitert. Drei Dinge heben es ab:

Gemeinsam mit Muse Code trainiert
Trainiert mit dem Harness selbst — per Rejection Sampling gefilterte Harness-Trajektorien, Rezeptoptimierungen für Ziele, Kompaktierung und Subagenten sowie die Integration des Muse-Code-Toolsets — für besseren Tool-Einsatz, weniger Wiederholungsversuche und hochwertigeren Output als bei einem generischen Wrapper.
Lange Zeithorizonte
Intensiv auf Coding mit langem Zeithorizont trainiert: Generierung ganzer Repositories, große End-to-End-Projekte und automatisierte Recherche. Es plant, um die Arbeit zu sequenzieren, hält mit Goal Conditioning die Richtung und kompaktiert den Kontext, um den Fortschritt zu sichern.
Selbstverbesserung
Muse Spark 1.1 erzeugte anspruchsvolle Coding-Umgebungen und Vorlagen fürs Befolgen von Anweisungen und bewertete dann Lösungskandidaten — eine skalierbare Trainingsschleife, dank der 1.2 komplexe Anweisungen präziser befolgt als sein Vorgänger.

Benchmarks (mit Muse Code): Terminal-Bench 2.1 · 82,9 % — DeepSWE 1.1 · 59,3 %. Die vollständige Methodik steht in Metas Evaluationsbericht auf research.meta.ai.

Fallstudie: Kernel-Optimierung

Meta hat getestet, wie gut das Modell 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 1.2 erscheint in Muse Code, der Meta Model API und auf OpenRouter, mit erweitertem weltweitem Zugang. 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-1.2", messages=[{"role": "user", "content": "Hello, world!"}], )

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.