28 recettes, trois sections : le guide de terrain du cookbook Model API
Le cookbook de Meta promet des recettes qui tournent dès le premier copier-coller. Si la promesse tient, c'est grâce à sa structure — chaque section suppose exactement ce que la précédente a prouvé.
La philosophie de conception
Chaque recette est un point de départ autonome, prêt à copier-coller, qui prouve une capacité et te laisse une base sur laquelle construire. La mise en place est volontairement triviale : un compte Model API, une clé exportée en MODEL_API_KEY, et le SDK OpenAI pointé vers https://api.meta.ai/v1. L’API est compatible en drop-in avec le SDK OpenAI, le SDK Anthropic et des CLI d’agents comme OpenCode — les recettes tournent donc avec les outils que tu as déjà. Formats : notebooks Colab plus fichiers Python autonomes.
Section un : les fondamentaux de l’API (10 recettes)
Les primitives, une par une : ta première chat completion, le streaming, le tool calling, la sortie structurée, le prompt caching, le contrôle des tokens de raisonnement, l’entrée vision, le contexte long, la gestion d’erreurs avec backoff, et l’ancrage par recherche avec citations inline. La discipline ici : valider une brique par recette — quand quelque chose cassera plus tard dans un agent complexe, tu sauras quelle primitive suspecter, parce que tu auras vu chacune fonctionner en isolation.
Deux d’entre elles sont faciles à sous-estimer. Le prompt caching, c’est toute l’économie du code agentique — le contexte du dépôt renvoyé à chaque tour est facturé au tarif caché, une fraction de l’entrée fraîche (le calcul des offres explique pourquoi ça domine les vraies factures). Et la sortie structurée — du JSON garanti par schéma, qui se parse du premier coup — fait la différence entre un pipeline d’agents et un tas de regex.
Section deux : les patterns d’agents (5 recettes)
C’est ici qu’un modèle devient un agent : la boucle percevoir-décider-agir, le raisonnement entrelacé avec l’usage d’outils dans un même tour, la gestion de contexte sur les longues exécutions, les éditions en place validées (du rechercher-remplacer qui se vérifie lui-même — le pattern qu’utilise tout agent de code sérieux), et un copilote anti-fatigue d’alertes qui extrait des patterns ancrés d’un flux bruyant avec auto-évaluation en JSON strict. Cinq recettes qui, mises bout à bout, forment un plan de construction fonctionnel de la façon dont des outils comme Muse Code sont bâtis de l’intérieur.
Section trois : les cas d’usage (13 recettes)
La section récompense, et l’étendue est justement le propos : analyse de graphiques et screenshot-vers-correctif côté perception ; design web et game dev vérifiés en navigateur, où l’agent contrôle son propre travail dans un vrai navigateur ; exécution de code en sandbox ; un studio produit à quatre profils (PM, backend, frontend, rédacteur technique) qui se coordonnent via un tableau Kanban partagé ; un jeu 3D one-shot construit depuis un seul prompt structuré ; un bot GitHub Actions autonome ; et le computer use sur Linux comme sur macOS. Chacune est un petit pattern de production, pas un jouet.
Par où commencer
Si tu évalues l’API : fondamentaux 01 (quickstart), puis 03 (tool calling), puis patterns d’agents 01 — une après-midi, et tu auras compris la forme de la plateforme. Si tu utilises Muse Code, va droit aux trois recettes Muse Code — fan-out d’agents, skills intégrés, suivi d’objectif — qui transforment les patterns fondamentaux du produit en code exécutable. L’index complet liste les 28 avec les liens vers les sources.