Guía rápida

Pon Muse Code en marcha en minutos.

Muse Code ya está disponible de forma general para macOS, Linux y Windows. Asume tareas complejas de ingeniería de software en repositorios grandes — planifica los cambios, escribe el código y valida los resultados — sin salir de tu terminal.

1. Instalación

Un solo comando instala la CLI:

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

El script coloca el binario muse en tu PATH — compruébalo con muse --version. ¿Prefieres revisar el script antes? Descárgalo con -o install.sh, audítalo y después ejecútalo.

Windows

Windows tiene su propio instalador nativo: ejecuta irm https://dev.meta.ai/install.ps1 | iex en PowerShell y compruébalo con muse --version. En Windows, el agente ejecuta los comandos en PowerShell en lugar de Bash, el sandbox puede mostrar un aviso de UAC la primera vez que arranca, y ni la entrada por voz ni la mensajería entre sesiones están disponibles. Si las necesitas, o quieres trabajar con herramientas de Bash, usa WSL2: ejecuta wsl --install en un PowerShell con permisos de administrador y, después, ejecuta el instalador de macOS/Linux dentro de la shell de Linux. En ese caso, guarda los repositorios en el sistema de archivos de Linux (por ejemplo, ~/code) y no bajo /mnt/c, porque el acceso a archivos de un sistema a otro es mucho más lento.

2. Autenticación

La primera ejecución abre el navegador para autenticarte en dev.meta.ai con tu cuenta de desarrollador de Meta. Las credenciales se guardan en la caché local — no hace falta volver a autenticarse en cada sesión. El consumo se carga a tu plan mensual o, con pago por uso, a la Meta Model API.

Ejecuciones no interactivas. Para CI, scripts y máquinas sin interfaz, usa una API key en lugar del flujo de navegador: créala en el panel de la Model API (API keys → Create API key) y expórtala como META_API_KEY o guárdala con muse auth set. Las claves empiezan por LLM_. Muse Code busca primero META_API_KEY, luego una clave guardada y, por último, una sesión de navegador; /login vuelve a abrir las opciones de inicio de sesión y muse logout borra las credenciales guardadas.

3. Ejecuta tu primera tarea

Con la autenticación lista, puedes empezar en cualquiera de tus directorios de proyecto:

$ cd my-repo$ muse

Describe el resultado que quieres en lenguaje natural. Una buena primera tarea es pequeña y verificable — «añade el test que le falta a parseDate y asegúrate de que pasa» — verás a un worker redactar el cambio, a un revisor criticarlo y el test ejecutándose.

Dos palancas de coste que conviene conocer desde el primer día: Muse Spark es un modelo de razonamiento — piensa antes de responder, y esos tokens se facturan como salida — así que /effort sube o baja el razonamiento en cada tarea. Y tu tono, formato y demás reglas fijas pueden vivir en un mensaje de sistema para no repetirlas en cada prompt.

Actualizar y desinstalar

Muse Code se actualiza solo: el instalador configura un launcher que mantiene el binario al día y, desde la CLI 1.4.11, una sesión que siga abierta durante una actualización automática se reanuda con su historial. Comprueba qué versión tienes con muse --version y compárala con el changelog; volver a ejecutar el comando de instalación también te deja con la última build. Meta no documenta ningún comando de desinstalación. En macOS y Linux, el instalador deja el launcher en ~/.local/bin (muse, más los archivos versionados muse-bin-*) y añade ese directorio al perfil de tu shell, así que basta con borrar esos archivos para desinstalarlo; los ajustes están en ~/.config/muse/. En Windows, Get-Command muse te dice dónde está el binario. Si tienes una suscripción, cancélala aparte en Accounts Center: borrar la CLI no detiene los cobros.

Agentes asíncronos en segundo plano

Muse Code funciona con un bucle de agente sencillo más un conjunto de agentes asíncronos en segundo plano que amplían la capacidad del agente principal. Estos agentes especializados permanecen activos durante toda la sesión en lugar de crearse para cada tarea, lo que evita recopilar la misma información una y otra vez. Ejecutan los siguientes pasos por su cuenta y deciden cuándo informar al agente principal — su persistencia reduce la latencia y la necesidad de intervenir en tareas difíciles de varios pasos.

Fan-out de agentes y worktrees de git

Cuando un trabajo se divide en varias tareas, estas se reparten automáticamente entre agentes separados: el padre crea un agente hijo con permisos de escritura por cada tarea, y cada hijo recibe su propio git worktree — los hijos que trabajan en paralelo nunca chocan sobre los mismos archivos y tu copia de trabajo se mantiene limpia.

Workflows

Incorporados cuando Muse Code salió de la beta, los Workflows orquestan un equipo de agentes especializados a lo largo de un trabajo más grande: cada etapa pasa su trabajo intermedio a la siguiente y al final obtienes un único resultado. Para iniciar uno, pide a Muse Code que «use un workflow»; poner el effort en ultra puede activar uno automáticamente. /workflows muestra cada ejecución en directo — desde ahí puedes detenerla, reiniciarla o cancelarla — y los workflows guardados se pueden reutilizar.

Mensajería entre sesiones

Las sesiones que se ejecutan en la misma máquina pueden enviarse mensajes a través de un socket Unix local. Cuando un cambio en una sesión afecta a lo que otra está construyendo, le pasa un aviso; cuando una sesión resuelve una duda que tenía bloqueada a otra, le envía la respuesta — sin volver a teclear nada entre terminales. El agente descubre a sus pares y envía mensajes con dos herramientas integradas.

Event log y rebobinado

Muse Code usa un event log local al que se añade cada llamada al modelo, cada ejecución de herramienta, cada aprobación y cada edición. Esta fuente única de verdad hace que el runtime se pueda reproducir con exactitud y sea seguro ante reinicios: tras un fallo, el agente retoma justo donde se detuvo, lo que le permite asumir tareas largas sin descarrilar por los errores. Cada creación, redirección y cancelación de subagentes es observable — muse replay recorre una sesión paso a paso, y las trazas completas se exportan para traspasos o auditorías. Pulsa Esc dos veces para rebobinar la conversación hasta un punto anterior; Muse Code solo ofrece puntos de rebobinado que el event log marca como seguros.

Skills y comandos integrados

Muse Code trae de serie varias skills — metes una idea en bruto y sacas una funcionalidad puesta a prueba y validada:

/planConvierte una tarea en un plan sujeto a aprobación antes de tocar el código

/grillSomete ese plan a presión hasta que aguanta

/goalTrabaja hasta completar el objetivo indicado — lo que querías al principio es lo que acaba en el merge

/workflowsLista en directo las ejecuciones de workflows — detén, reinicia o cancela cualquiera de ellas

/modelCambia el modelo subyacente — p. ej. a muse-wonder-1.0; el selector también fija el nivel de razonamiento

/effortSube o baja el razonamiento — los tokens de pensamiento se facturan como salida, así que reserva el razonamiento profundo para las tareas difíciles

Esc EscRebobina la conversación hasta un punto seguro del event log

muse replayRecorre el event log de una sesión paso a paso; las trazas completas se exportan para traspasos o auditorías

Permisos y modos de aprobación

Muse Code arranca con las aprobaciones y un sandbox del sistema operativo activados (Seatbelt en macOS, bubblewrap en Linux y el sandbox de Windows en Windows). Solo puede escribir en el espacio de trabajo y en un directorio temporal, y .git, .muse y .agents quedan en solo lectura. Las sesiones nuevas empiezan con el perfil Auto-review, en el que un juez integrado resuelve las solicitudes de aprobación rutinarias y te pasa el resto; los demás perfiles son Ask me, Read-only y Unrestricted. El perfil por defecto se fija con permissions.default_profile en ~/.config/muse/settings.json. Estas son las flags que importan:

--approval-mode on-requestValor por defecto. Los pasos de shell seguros se ejecutan; los peligrosos, como rm -rf, se detienen para que los revises

--approval-mode untrustedMás estricto: cualquier paso de shell que no coincida con una regla de permiso se detiene para revisión

--approval-mode neverNada se detiene a pedir aprobación; solo el sandbox contiene lo que se ejecuta

--disable-approvalOmite los avisos de aprobación, pero mantiene el sandbox activo

--yoloSin aprobaciones, sin sandbox y con el espacio de trabajo marcado como de confianza. Meta indica usarlo solo en contenedores aislados y desechables

--sandbox-networkproxy-only (por defecto; aprueba cada destino), restricted o unrestricted

Cuando un comando queda retenido, puedes permitirlo una vez, permitirlo siempre en este espacio de trabajo o rechazarlo. Las herramientas MCP y los hooks se ejecutan fuera del sandbox, así que conecta solo servidores de confianza.

Muse Spark 1.3

Muse Spark 1.3, lanzado el 2 de septiembre de 2026, es el modelo detrás de Muse Code. Conserva la receta de entrenamiento que distinguió a 1.2 — entrenamiento conjunto con el harness de Muse Code, trabajo extenso de horizonte largo y un bucle de automejora — y se centra en la usabilidad en el mundo real. El precio no cambia respecto a 1.2. Tres cosas destacan:

Hilos más largos

Sostiene trabajo de horizonte más largo a lo largo de varios workflows en un mismo hilo, llevando el contexto de una etapa a la siguiente.

Pregunta en vez de adivinar

Colabora de forma más activa: hace preguntas aclaratorias, avisa cuando se atasca y está mejor calibrado sobre sus propios límites, en lugar de informar de resultados que no alcanzó.

Ejecuciones más ligeras

En las comparativas de los ingenieros de Meta completó el mismo trabajo de programación con alrededor de un 20 % menos de llamadas a herramientas y un 25 % menos de tokens que 1.2 — con el mismo precio por token, eso se traduce en una factura más baja.

Benchmarks (configuración de razonamiento máximo, según Meta): DeepSWE 1.1 · 75,4 % — Terminal-Bench 2.1 · 88,8 % — SWEAtlas CodeBase QnA · 59,4 %. En el lanzamiento, la configuración máxima aún estaba en pruebas de seguridad; la configuración a la que accede la mayoría de los desarrolladores puntúa más bajo. Metodología en research.meta.ai.

Muse Wonder

Muse Wonder y Muse Wonder Full, lanzados el 12 de octubre de 2026, son los primeros modelos frontera de Meta: más grandes que Muse Spark y pensados para trabajos largos y difíciles, tanto de programación como de campos como el derecho o las finanzas. Meta destaca Active Memory, que conserva el contexto relevante de una conversación a otra, y Active Focus, que mantiene al agente avanzando hacia un objetivo y hace que te consulte antes de las acciones importantes. Cambia a Wonder con /model muse-wonder-1.0; en la API cuesta $4 / $0.20 / $20 por 1M de tokens de entrada / en caché / de salida, sin variante Contributor. Muse Wonder Full solo se incluye en los planes Power y Maximum.

Muse Spark Open

Lanzado el 15 de octubre de 2026, Muse Spark Open es un modelo Muse de pesos abiertos: 816B parámetros en total, 42B activos por token, un contexto de 1M de tokens y entrada de texto, imagen, vídeo y audio. Se distribuye bajo la Muse Model License, una licencia propia de Meta, y los pesos están en Hugging Face como meta-models/Muse-Spark-Open-816B-A42B. No es un modelo para portátil: necesita unos 700 GB de memoria de acelerador en NVFP4. Meta ha mostrado Muse Code funcionando sobre él en dos Mac Studio, pero no ha documentado cómo montarlo en local. Si buscas un modelo que quepa en una sola GPU de consumo, echa un vistazo a Muse Glimmer.

Caso práctico: optimización de kernels

Meta puso a prueba la capacidad de Muse Spark 1.2 para optimizar kernels de GPU de forma iterativa a lo largo de más de 1.000 llamadas a herramientas — hasta 24 horas. Dentro del entorno agéntico de Muse Code, el modelo escribe, compila, perfila y mejora progresivamente el rendimiento del kernel frente a una línea base, medido sobre los kernels KDA y MLA para GPUs NVIDIA Hopper. Con la prohibición de envolver bibliotecas de kernels de terceros, implementó los algoritmos directamente en Triton — y siguió encontrando mejoras sustanciales sobre la línea base.

Meta Model API

Los mismos modelos que hay detrás de Muse Code están disponibles directamente — `muse-spark-1.3` y `muse-wonder-1.0` están en la Model API, y Muse Spark 1.3 también está disponible en Muse Code, la Meta Model API, OpenRouter y Cursor. La API es compatible sin cambios con el OpenAI SDK, el Anthropic SDK y CLIs de agentes como OpenCode y Claude Code: apunta tu cliente a la base URL y conserva el resto de tu código. La ventana de contexto es de 1.048.576 tokens.

# 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!"}], )

Modo headless y CI

muse exec "<prompt>" ejecuta una tarea hasta el final y sale: es la forma que conviene usar en scripts y en CI. Añade --json para recibir eventos JSONL por stdout, --prompt-file para leer el prompt desde un archivo, --max-model-steps para poner un tope al trabajo y --session-id para continuar una sesión anterior. Autentícate con META_API_KEY desde el almacén de secretos de tu CI. Un código de salida 0 significa que el turno terminó, no que el trabajo esté bien, así que condiciona los merges a tus propios tests. En runners de Linux, el sandbox necesita bubblewrap y una build que no sea 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"

Modelos Muse en otros agentes

Meta documenta cómo configurar OpenCode, Codex y Claude Code para usar la Model API. Usa la base URL compatible con OpenAI https://api.meta.ai/v1 (para OpenCode y Codex) o la base URL con formato de Anthropic https://api.meta.ai, sin /v1 (para Claude Code), junto con tu MODEL_API_KEY y un ID de modelo como muse-spark-1.3 o muse-wonder-1.0. En Claude Code, define ANTHROPIC_AUTH_TOKEN en lugar de ANTHROPIC_API_KEY y apunta todos los alias de modelo a un modelo Muse para que nada vuelva a Claude. En Codex, usa wire_api = "responses" para que el razonamiento se conserve entre turnos. Esto se factura por token en la Model API; tu plan de Muse Code no lo cubre.

# 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"

SDK de Muse Code

En vista previa para desarrolladores desde que Muse Code salió de la beta, el SDK permite a los equipos crear sus propios agentes sobre el Muse Session Protocol (MSP) — un protocolo abierto sobre la entrada/salida estándar, sin servidor y sin red, de modo que todo se queda en tu máquina. La biblioteca de TypeScript cubre sesiones, herramientas y control de permisos, y el esquema legible por máquina de MSP te permite generar clientes en otros lenguajes. Código fuente: github.com/meta-models/muse-code-sdk.

Cookbook

Recetas que funcionan a la primera cuando las copias — cada una resuelve un problema concreto, muestra código que funciona y señala el siguiente paso. Tres secciones, más recetas para los patrones centrales de Muse Code.Explora las 28 recetas →

Fundamentos de la API · 10 recetas

Comprueba que cada primitiva funciona: chat completions, streaming, llamadas a herramientas, salida estructurada, caché de prompts, tokens de razonamiento, entrada de visión, contexto largo, gestión de errores y grounding con búsqueda y citas en línea.

Patrones de agentes · 5 recetas

Los bucles que convierten un modelo en un agente: el bucle percibir-decidir-actuar, razonamiento intercalado con uso de herramientas, gestión de contexto multiturno y ediciones in situ validadas.

Casos de uso · 13 recetas

De extremo a extremo: diseño web y desarrollo de juegos verificados en navegador, un estudio de producto multiagente de cuatro perfiles coordinado mediante un tablero Kanban compartido, un bot autónomo de GitHub Actions sobre OpenCode, uso del ordenador en Linux y macOS, y más.

Recetas de Muse Code

Fan-out de agentes — divide un trabajo grande entre subagentes en worktrees aislados; skills integradas — entra una idea en bruto, sale una funcionalidad puesta a prueba y validada; seguimiento de objetivos — mantén al agente centrado hasta que fusione lo que pediste.