28 resep, tiga bagian: panduan lapangan cookbook Model API
Cookbook Meta menjanjikan resep yang langsung jalan begitu kamu salin. Janji itu terpenuhi karena strukturnya — tiap bagian hanya mengasumsikan apa yang sudah dibuktikan bagian sebelumnya.
Filosofi desainnya
Setiap resep adalah titik awal mandiri yang tinggal salin-tempel, membuktikan satu kemampuan, dan meninggalkan sesuatu untuk kamu kembangkan. Setup-nya sengaja dibuat sepele: akun Model API, sebuah key yang di-export sebagai MODEL_API_KEY, dan OpenAI SDK yang diarahkan ke https://api.meta.ai/v1. API-nya drop-in compatible dengan OpenAI SDK, Anthropic SDK, dan agent CLI seperti OpenCode — jadi resep-resepnya jalan di atas tool yang sudah kamu punya. Formatnya: notebook Colab plus file Python mandiri.
Bagian satu: fundamental API (10 resep)
Primitif-primitifnya, satu per satu: chat completion pertamamu, streaming, tool calling, structured output, prompt caching, kontrol reasoning-token, input vision, long context, error handling dengan backoff, dan search grounding dengan sitasi inline. Disiplinnya di sini adalah memvalidasi satu blok bangunan per resep — ketika sesuatu rusak nanti di agent yang kompleks, kamu tahu primitif mana yang patut dicurigai karena kamu sudah pernah melihat masing-masing bekerja secara terisolasi.
Dua di antaranya gampang diremehkan. Prompt caching adalah ekonomi dari coding agentik — konteks repository yang dikirim ulang tiap giliran ditagih dengan tarif cache, sepersekian dari input segar (matematika tier-nya membahas kenapa itu mendominasi tagihan nyata). Dan structured output — JSON yang dijamin sesuai skema dan langsung ter-parse di percobaan pertama — adalah beda antara pipeline agent dan tumpukan regex.
Bagian dua: pola agent (5 resep)
Di sinilah sebuah model menjadi agent: loop inti perceive-decide-act, reasoning dan tool use yang berselang-seling dalam satu giliran, manajemen konteks pada run yang panjang, edit in-place tervalidasi (search-and-replace yang mengecek dirinya sendiri — pola yang dipakai setiap coding agent serius), dan sebuah copilot anti alert-fatigue yang mengekstrak pola ber-grounding dari feed yang berisik dengan self-assessment JSON ketat. Lima resep, dan bersama-sama mereka adalah cetak biru berjalan tentang bagaimana tool seperti Muse Code dibangun di dalamnya.
Bagian tiga: use case (13 resep)
Bagian panen, dan rentangnya memang intinya: analisis chart dan screenshot-to-bugfix di sisi persepsi; desain web dan game dev yang terverifikasi browser, di mana agent memeriksa hasil kerjanya sendiri di browser sungguhan; eksekusi kode dalam sandbox; sebuah studio produk empat profil (PM, backend, frontend, tech writer) yang berkoordinasi lewat papan Kanban bersama; game 3D one-shot yang dibangun dari satu structured prompt; bot GitHub Actions otonom; dan computer use di Linux maupun macOS. Masing-masing adalah pola produksi kecil, bukan mainan.
Mulai dari mana
Kalau kamu sedang mengevaluasi API-nya: fundamental 01 (quickstart), lalu 03 (tool calling), lalu pola agent 01 — cukup satu sore, dan kamu akan paham bentuk platformnya. Kalau kamu pengguna Muse Code, langsung saja ke tiga resep Muse Code — agent fan-out, bundled skills, goal tracking — yang mengubah pola inti produknya jadi kode yang bisa dijalankan. Indeks lengkapnya mendaftar semua 28 resep beserta tautan ke sumbernya.