Guía rápida

Pon Muse Code en marcha en minutos.

Muse Code ya está disponible de forma general para macOS y Linux, y funciona en Windows a través de WSL2. 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 (con WSL2)

No hay una versión nativa para Windows — el instalador es compatible con macOS y Linux. En Windows 10 u 11, ejecuta wsl --install en un PowerShell con permisos de administrador para configurar WSL2 con Ubuntu, abre la shell de Linux y ejecuta allí el mismo instalador de una línea. Guarda tus repositorios en el sistema de archivos de Linux (por ejemplo, ~/code) y no bajo /mnt/c: 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 defínela como MODEL_API_KEY.

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.

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-spark-1.3 con el precio estándar de la Model API
/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

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.

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 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|{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!"}], )

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.