Satu API untuk semua harness: strategi ekosistem Model API
Meta menghadirkan model coding-nya ke semua tempat yang sudah dihuni developer — OpenAI SDK, Anthropic SDK, CLI agent pesaing, bahkan OpenRouter. Kompatibilitas duluan adalah strategi distribusinya.
Tiga nilai, dan kamu langsung tersambung
Menghubungkan hampir tool apa pun ke Muse Spark hanya butuh tiga nilai yang sama: base URL https://api.meta.ai/v1, MODEL_API_KEY milikmu, dan sebuah model ID seperti muse-spark-1.2. Ini bisa terjadi karena API-nya bicara dalam format yang sudah jadi standar ekosistem: chat completions dan responses gaya OpenAI, plus endpoint Messages berformat Anthropic untuk harness yang dibangun dengan cara itu. Pertahankan SDK-mu, pertahankan kodemu, cukup ganti satu URL.
Bahkan harness milik kompetitor
Daftar kompatibilitasnya terasa disengaja: OpenCode, LangChain, LlamaIndex, Vercel AI SDK, Continue — dan Claude Code, agent milik Anthropic sendiri, yang tersambung lewat Messages API. Meta dengan senang hati menyajikan token di dalam harness rivalnya. Beberapa agent bahkan tak butuh konfigurasi sama sekali: CLI yang bisa mengonfigurasi dirinya sendiri seperti OpenCode, Goose, dan Roo menerima deskripsi provider yang tinggal di-paste — base URL, model ID, ukuran context window, fitur yang didukung — lalu merangkai dirinya sendiri.
Bacaan strategisnya tidak samar-samar. Setiap coding tool yang sudah ada berubah jadi kanal distribusi untuk token Muse Spark, dengan nol biaya pindah sebagai jualannya. Dan distribusinya melampaui pintu Meta sendiri: Muse Spark 1.2 juga tersedia lewat OpenRouter, menjemput developer yang mengagregasi banyak provider di tempat mereka biasa berbelanja.
Lalu kenapa Muse Code harus ada?
Kalau harness mana pun bisa menjalankan modelnya, buat apa membangun satu lagi? Karena kompatibilitas memberimu fungsi, bukan kecocokan. Muse Spark 1.2 di-co-train khusus dengan Muse Code — pelatihannya mencakup toolset milik harness, koreografi subagent-nya, serta resep goal dan compaction-nya. Wrapper generik mendapat model yang sangat bagus; Muse Code mendapat model yang sudah melatih persis jurus-jurus yang dipanggil runtime-nya — background agent persisten, fan-out worktree, event log. API terbuka adalah corong lebarnya; agent native adalah kolam dalamnya.
Jalur adopsi yang pragmatis
Strategi dua lapis ini menyarankan rencana migrasinya sendiri. Hari pertama: arahkan setup yang sekarang kamu pakai — apa pun itu — ke Model API dan evaluasi modelnya di pekerjaan nyatamu, tanpa mempertaruhkan apa pun. Kalau modelnya terbukti layak, cobalah Muse Code untuk workflow di mana kecocokan harness berlipat ganda nilainya: tugas long-horizon, pekerjaan paralel banyak bagian, pekerjaan yang nantinya ingin kamu audit. Cookbook membahas kedua lapisannya, dan panduan tier membahas berapa harga token-nya begitu kamu berkomitmen.