28 recetas en tres secciones: guía de campo del cookbook de la Model API
El cookbook de Meta promete recetas que funcionan a la primera copia. La promesa se cumple por cómo está estructurado: cada sección asume exactamente lo que la anterior ya demostró.
La filosofía de diseño
Cada receta es un punto de partida autocontenido, de copiar y pegar, que demuestra una capacidad y te deja algo sobre lo que construir. La preparación es deliberadamente trivial: una cuenta de la Model API, una clave exportada como MODEL_API_KEY, y el SDK de OpenAI apuntando a https://api.meta.ai/v1. La API es compatible sin cambios con el SDK de OpenAI, el SDK de Anthropic y CLIs de agentes como OpenCode — así que las recetas corren sobre herramientas que ya tienes. Formatos: notebooks de Colab más archivos Python independientes.
Sección uno: fundamentos de la API (10 recetas)
Los primitivos, de uno en uno: tu primera chat completion, streaming, tool calling, salida estructurada, prompt caching, control de tokens de razonamiento, entrada de visión, contexto largo, manejo de errores con backoff, y grounding con búsqueda y citas en línea. La disciplina aquí es validar un bloque de construcción por receta: cuando algo se rompa más adelante en un agente complejo, sabrás de qué primitivo sospechar porque habrás visto cada uno funcionar de forma aislada.
Hay dos fáciles de infravalorar. El prompt caching es la economía de la programación agéntica: el contexto del repositorio que se reenvía en cada turno se factura a la tarifa de caché, una fracción de la entrada fresca (las cuentas de los niveles explican por qué eso domina las facturas reales). Y la salida estructurada — JSON garantizado por schema que parsea a la primera — es la diferencia entre un pipeline de agentes y un montón de regex.
Sección dos: patrones de agente (5 recetas)
Aquí es donde un modelo se convierte en agente: el bucle central de percibir-decidir-actuar, razonamiento y uso de herramientas entrelazados en un solo turno, gestión de contexto en ejecuciones largas, ediciones in situ validadas (buscar-y-reemplazar que se verifica a sí mismo — el patrón que usa todo agente de código serio), y un copiloto anti fatiga de alertas que extrae patrones fundamentados de un feed ruidoso con autoevaluación en JSON estricto. Cinco recetas que, en conjunto, son un plano funcional de cómo están construidas por dentro herramientas como Muse Code.
Sección tres: casos de uso (13 recetas)
La sección del premio, y el rango es justo la gracia: análisis de gráficas y de captura-de-pantalla-a-bugfix en el lado de la percepción; diseño web y desarrollo de juegos verificados en navegador, donde el agente comprueba su propio trabajo en un navegador real; ejecución de código en sandbox; un estudio de producto de cuatro perfiles (PM, backend, frontend, tech writer) coordinándose mediante un tablero Kanban compartido; un juego 3D construido de una sola pasada a partir de un único prompt estructurado; un bot autónomo de GitHub Actions; y computer use tanto en Linux como en macOS. Cada una es un pequeño patrón de producción, no un juguete.
Por dónde empezar
Si estás evaluando la API: fundamentos 01 (quickstart), luego 03 (tool calling), luego patrones de agente 01 — una tarde, y entenderás la forma de la plataforma. Si eres usuario de Muse Code, ve directo a las tres recetas de Muse Code — fan-out de agentes, skills integradas, seguimiento de objetivos — que convierten los patrones centrales del producto en código ejecutable. El índice completo lista las 28 con enlaces al código fuente.