Mulai cepat

Jalankan Muse Code dalam hitungan menit.

Muse Code kini dalam tahap beta untuk macOS dan Linux. Ia sanggup menangani tugas rekayasa perangkat lunak yang kompleks di repositori besar — merencanakan perubahan, menulis kode, dan memvalidasi hasilnya — sepenuhnya dari terminalmu.

1. Instalasi

Satu perintah untuk memasang CLI:

$curl -fsSL https://dev.meta.ai/install.sh | bash

Skrip ini menempatkan binary muse ke PATH-mu — verifikasi dengan muse --version. Mau memeriksa skripnya dulu? Unduh dengan -o install.sh, audit isinya, lalu jalankan.

2. Autentikasi

Saat pertama kali dijalankan, browser akan terbuka untuk autentikasi di dev.meta.ai dengan akun developer Meta-mu. Kredensial di-cache secara lokal — tidak perlu autentikasi ulang tiap sesi. Akses dan penagihan berjalan lewat Meta Model API.

Eksekusi non-interaktif. Untuk CI, skrip, dan mesin headless, pakai API key sebagai ganti alur browser: buat di dasbor Model API (API keys → Create API key) dan setel sebagai MODEL_API_KEY.

3. Jalankan tugas pertamamu

Begitu autentikasi beres, kamu bebas memulai di direktori proyek mana pun:

$ cd my-repo$ muse

Jelaskan hasil yang kamu inginkan dengan bahasa sehari-hari. Tugas pertama yang bagus itu kecil dan mudah diverifikasi — "tambahkan test yang hilang untuk parseDate dan pastikan lulus" — kamu akan melihat seorang worker menyusun draf perubahan, seorang reviewer mengkritiknya, dan test-nya benar-benar berjalan.

Ada dua tuas biaya yang patut kamu tahu sejak hari pertama: Muse Spark adalah model reasoning — ia berpikir dulu sebelum menjawab, dan token berpikir itu ditagih sebagai output — jadi /effort bisa menaikkan atau menurunkan porsi berpikir per tugas. Selain itu, gaya bahasa, format, dan aturan tetap lainnya bisa kamu taruh di system message supaya tidak perlu diulang di setiap prompt.

Agent latar belakang asinkron

Muse Code bekerja dengan satu loop agent sederhana plus sekumpulan agent latar belakang asinkron yang memperkuat kemampuan agent utama. Agent-agent spesialis ini tetap aktif sepanjang sesi, bukan dibuat ulang untuk tiap tugas, sehingga pengumpulan informasi tidak berulang-ulang. Mereka menjalankan langkah berikutnya secara mandiri dan menentukan sendiri kapan melapor ke agent utama — sifat menetap ini memangkas latensi dan mengurangi kebutuhan mengarahkan pada tugas sulit yang bertahap banyak.

Fan-out agent & git worktree

Saat sebuah pekerjaan terpecah menjadi beberapa tugas, semuanya otomatis di-fan-out ke agent terpisah: agent induk membuat satu agent anak dengan akses tulis untuk tiap tugas, dan setiap anak mendapat git worktree miliknya sendiri — agent anak yang berjalan paralel tak pernah bertabrakan di file yang sama, dan salinan kerjamu tetap bersih.

Event log

Muse Code memakai event log lokal tempat setiap panggilan model, eksekusi tool, persetujuan, dan penyuntingan ditambahkan. Sumber kebenaran tunggal ini membuat runtime bisa di-replay secara persis dan aman di-restart: setelah crash, agent melanjutkan tepat dari titik ia berhenti, sehingga sanggup mengerjakan tugas panjang tanpa terjegal kegagalan. Setiap pembuatan, pengarahan, dan pembatalan subagent bisa diamati — muse replay menelusuri sebuah sesi langkah demi langkah, dan trace lengkapnya bisa diekspor untuk serah terima atau audit.

Skill & perintah bawaan

Muse Code hadir dengan beberapa skill bawaan — masukkan ide kasar, dapatkan fitur yang sudah diuji habis-habisan dan terverifikasi:

/planMengubah tugas menjadi rencana yang butuh persetujuan sebelum kode disentuh
/grillMenguji rencana itu habis-habisan sampai benar-benar kokoh
/goalTerus bekerja sampai tujuan yang ditetapkan tercapai — yang awalnya kamu minta itulah yang di-merge
/modelMengganti model di baliknya — misalnya ke muse-spark-1.2 dengan harga standar Model API
/effortMenaikkan atau menurunkan porsi reasoning — token berpikir ditagih sebagai output, jadi simpan reasoning dalam untuk tugas berat
muse replayMenelusuri event log sebuah sesi langkah demi langkah; trace lengkap bisa diekspor untuk serah terima atau audit

Muse Spark 1.2

Muse Spark 1.2 adalah pembaruan Muse Spark 1.1 yang berfokus pada coding, dengan peningkatan pada pembuatan kode, debugging kompleks, pemahaman codebase, dan alur kerja developer ujung-ke-ujung — komputasi pelatihan untuk tugas coding ditingkatkan besar-besaran sambil memperluas keragaman lingkungan. Tiga hal yang membuatnya menonjol:

Dilatih bersama Muse Code
Dilatih dengan harness-nya langsung — trajektori harness hasil rejection sampling, optimasi resep untuk goal, kompaksi, dan subagent, serta integrasi perangkat tool Muse Code — menghasilkan pemakaian tool yang lebih baik, lebih sedikit percobaan ulang, dan output berkualitas lebih tinggi ketimbang wrapper generik.
Jangka panjang
Dilatih intensif pada coding jangka panjang: pembuatan repositori utuh, proyek besar ujung-ke-ujung, dan riset otomatis. Ia menyusun rencana untuk mengurutkan pekerjaan, memakai goal conditioning untuk menjaga arah, dan mengompaksi konteks supaya terus melaju.
Perbaikan diri
Muse Spark 1.1 membuat lingkungan coding yang menantang dan templat kepatuhan instruksi, lalu menilai solusi-solusi kandidat — loop pelatihan yang skalabel ini membuat 1.2 mengikuti instruksi kompleks lebih presisi daripada pendahulunya.

Benchmark (dengan Muse Code): Terminal-Bench 2.1 · 82,9% — DeepSWE 1.1 · 59,3%. Metodologi lengkap ada di laporan evaluasi Meta di research.meta.ai.

Studi kasus: optimasi kernel

Meta menguji kemampuan model mengoptimalkan kernel GPU secara iteratif sepanjang 1.000+ panggilan tool — hingga 24 jam. Di dalam lingkungan agentik Muse Code, model menulis, mengompilasi, memprofil, dan terus mendongkrak performa kernel terhadap sebuah baseline, diukur pada kernel KDA dan MLA untuk GPU NVIDIA Hopper. Karena dilarang membungkus pustaka kernel pihak ketiga, ia mengimplementasikan algoritmanya langsung di Triton — dan terus menemukan peningkatan besar di atas baseline.

Meta Model API

Model yang menggerakkan Muse Code juga tersedia secara langsung — Muse Spark 1.2 hadir di Muse Code, Meta Model API, dan OpenRouter, dengan akses global yang diperluas. API-nya kompatibel drop-in dengan OpenAI SDK, Anthropic SDK, dan CLI agent seperti OpenCode serta Claude Code: arahkan klienmu ke base URL yang baru dan biarkan sisa kodenya apa adanya. Jendela konteksnya 1.048.576 token.

# 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

Resep yang langsung jalan begitu kamu salin — masing-masing menyelesaikan satu masalah spesifik, menunjukkan kode yang berfungsi, dan menunjuk langkah berikutnya. Tiga bagian besar, plus resep untuk pola-pola inti Muse Code.Jelajahi semua 28 resep →

Dasar-dasar API · 10 resep
Buktikan tiap primitif bekerja: chat completions, streaming, pemanggilan tool, output terstruktur, prompt caching, token reasoning, input visual, konteks panjang, penanganan error, dan search grounding dengan sitasi inline.
Pola agent · 5 resep
Loop yang mengubah model menjadi agent: loop amati-putuskan-bertindak, reasoning yang berselang-seling dengan pemakaian tool, pengelolaan konteks multi-giliran, dan penyuntingan di tempat yang tervalidasi.
Kasus penggunaan · 13 resep
Ujung-ke-ujung: desain web dan pengembangan game yang diverifikasi lewat browser, studio produk multi-agent empat peran yang berkoordinasi lewat papan Kanban bersama, bot GitHub Actions otonom di OpenCode, computer use di Linux dan macOS, dan banyak lagi.
Resep Muse Code
Fan-out agent — pecah satu pekerjaan besar ke subagent di worktree yang terisolasi; skill bawaan — ide kasar masuk, fitur teruji dan terverifikasi keluar; pelacakan goal — jaga agent tetap fokus sampai yang kamu inginkan benar-benar di-merge.