/plan, /grill, /goal: il workflow delle skill integrate
La promessa di Meta per le skill incluse in Muse Code: entri con un'idea grezza, esci con una feature messa alla griglia e verificata. Ecco cosa fa davvero ogni comando e quando usarlo.
/plan — non cambia niente finché non approvi
/plan trasforma il task richiesto in un piano vincolato alla tua approvazione. L’agent studia il repository, scompone il lavoro e presenta l’approccio che intende seguire — e poi si ferma. Nessuna modifica al codice finché non dai l’ok. Per qualsiasi cosa oltre il fix banale, è la mossa d’apertura giusta: trasforma “spero che l’agent mi abbia capito” in un documento che puoi leggere, e intercetta i fraintendimenti quando costano secondi, non un pomeriggio a smontare un refactor partito storto.
/grill — revisione avversariale prima dell’esecuzione
/grill mette il piano sotto torchio finché non regge. Il nome è azzeccato: invece di accettare educatamente il primo piano dall’aria plausibile, l’agent interroga il proprio approccio — casi limite, dipendenze nascoste, modalità di fallimento — e lo rivede finché non sopravvive alla griglia. Gli ingegneri umani lo fanno in design review. La maggior parte dei coding agent lo salta del tutto e lo paga in retry. Se un piano è destinato a crollare, vuoi che crolli sulla carta.
/goal — il traguardo, tenuto a mente
/goal lavora al completamento dell’obiettivo che specifichi — e tiene l’agent sul pezzo finché quello che volevi in origine non è quello che finisce in merge. Le sessioni lunghe con gli agent hanno una modalità di fallimento ben nota: la deriva. Cinquanta chiamate a tool dopo, l’agent sta diligentemente rifinendo qualcosa di adiacente, ma non proprio uguale, a quello che avevi chiesto. Il goal conditioning è stato addestrato in Muse Spark 1.2 esattamente per questo, e /goal è la maniglia con cui lo tieni.
Il cast di supporto: /model e /effort
Altri due comandi gestiscono i costi più che il workflow. /model cambia il modello sottostante a metà sessione — per esempio verso muse-spark-1.2 al prezzo standard della Model API quando ti serve il tier senza uso dei dati per il training (i dettagli nel confronto tra i tier). /effort regola la profondità di ragionamento. Muse Spark pensa prima di rispondere e quei token di ragionamento vengono fatturati come output, quindi adattare l’effort alla difficoltà del task è l’ottimizzazione di costo più facile che esista.
Un workflow che si compone
Le skill si concatenano in modo naturale: /plan per la feature, /grill sul piano, approvi, e poi lasci che /goal porti avanti l’esecuzione — con il fan-out che parallelizza le parti indipendenti e l’event log che registra ogni passo per la revisione. Ogni fase fa da cancello alla successiva, che è esattamente il modo in cui vorresti che un sistema autonomo si guadagnasse la fiducia un pezzo alla volta. La ricetta del cookbook sulle skill integrate mostra l’intera pipeline su una feature vera: la trovi nel cookbook.