Guía rápida

Pon Muse Code en marcha en minutos.

Muse Code está en beta para macOS y Linux. 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.

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 acceso y la facturación pasan por 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.

Event log

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.

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
/modelCambia el modelo subyacente — p. ej. a muse-spark-1.2 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
muse replayRecorre el event log de una sesión paso a paso; las trazas completas se exportan para traspasos o auditorías

Muse Spark 1.2

Muse Spark 1.2 es una actualización de Muse Spark 1.1 centrada en programación, con mejoras en generación de código, depuración compleja, comprensión de bases de código y flujos de desarrollo de extremo a extremo — el cómputo de entrenamiento en tareas de código se amplió de forma significativa a la vez que se diversificaban los entornos. Tres cosas lo distinguen:

Entrenado junto a Muse Code
Entrenado con el propio harness — trayectorias del harness filtradas por muestreo de rechazo, optimizaciones de receta para objetivos, compactación y subagentes, e integración del conjunto de herramientas de Muse Code — para un mejor uso de herramientas, menos reintentos y una salida de más calidad que la de un wrapper genérico.
Horizonte largo
Entrenado a fondo en programación de horizonte largo: generación de repositorios completos, grandes proyectos de extremo a extremo e investigación automática. Planifica para secuenciar el trabajo, usa condicionamiento por objetivos para mantener el rumbo y compacta el contexto para sostener el avance.
Automejora
Muse Spark 1.1 generó entornos de programación exigentes y plantillas de seguimiento de instrucciones, y después calificó las soluciones candidatas — un bucle de entrenamiento escalable que hace que 1.2 siga instrucciones complejas con más precisión que su predecesor.

Benchmarks (con Muse Code): Terminal-Bench 2.1 · 82,9 % — DeepSWE 1.1 · 59,3 %. La metodología completa está en el informe de evaluación de Meta en research.meta.ai.

Caso práctico: optimización de kernels

Meta puso a prueba la capacidad del modelo 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 1.2 llega en Muse Code, la Meta Model API y OpenRouter, con acceso global ampliado. 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-1.2", messages=[{"role": "user", "content": "Hello, world!"}], )

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.