28 ricette, tre sezioni: guida sul campo al cookbook della Model API
Il cookbook di Meta promette ricette che funzionano al primo copia-incolla. La promessa regge grazie alla struttura: ogni sezione assume esattamente ciò che la precedente ha dimostrato.
La filosofia di design
Ogni ricetta è un punto di partenza autonomo, da copiare e incollare, che dimostra una singola capacità e ti lascia qualcosa su cui costruire. Il setup è volutamente banale: un account Model API, una chiave esportata come MODEL_API_KEY, e l’SDK di OpenAI puntato su https://api.meta.ai/v1. L’API è compatibile drop-in con l’SDK di OpenAI, con quello di Anthropic e con CLI agentiche come OpenCode — quindi le ricette girano sugli strumenti che hai già. Formati: notebook Colab più file Python standalone.
Sezione uno: fondamenti dell’API (10 ricette)
Le primitive, una alla volta: la prima chat completion, lo streaming, il tool calling, l’output strutturato, il prompt caching, il controllo dei token di ragionamento, l’input visivo, il contesto lungo, la gestione degli errori con backoff, e il grounding via ricerca con citazioni inline. La disciplina qui è validare un mattone per ricetta: quando qualcosa si romperà più avanti in un agent complesso, saprai quale primitiva sospettare, perché le hai viste funzionare una per una in isolamento.
Due sono facili da sottovalutare. Il prompt caching è l’economia del coding agentico — il contesto del repository rispedito a ogni turno si fattura alla tariffa cache, una frazione dell’input fresco (i conti sui tier spiegano perché domina le bollette reali). E l’output strutturato — JSON garantito dallo schema, che si parsa al primo colpo — è la differenza tra una pipeline agentica e un mucchio di regex.
Sezione due: pattern agentici (5 ricette)
Qui è dove un modello diventa un agent: il loop centrale percepisci-decidi-agisci, ragionamento e uso dei tool intercalati in un singolo turno, la gestione del contesto su run lunghe, le modifiche in-place validate (search-and-replace che si autocontrolla — il pattern che usa ogni coding agent serio), e un copilot anti alert-fatigue che estrae pattern fondati da un feed rumoroso con autovalutazione in JSON rigoroso. Cinque ricette che, messe insieme, sono il progetto funzionante di come sono costruiti dentro tool come Muse Code.
Sezione tre: casi d’uso (13 ricette)
La sezione del raccolto, e l’ampiezza è il punto: analisi di grafici e screenshot-to-bugfix sul versante percezione; web design e game dev verificati nel browser, dove l’agent controlla il proprio lavoro in un browser vero; esecuzione di codice in sandbox; uno studio di prodotto a quattro profili (PM, backend, frontend, tech writer) che si coordina su una Kanban board condivisa; un gioco 3D one-shot costruito da un singolo prompt strutturato; un bot autonomo per GitHub Actions; e il computer use sia su Linux che su macOS. Ognuna è un piccolo pattern da produzione, non un giocattolo.
Da dove partire
Se stai valutando l’API: fondamenti 01 (quickstart), poi 03 (tool calling), poi pattern agentici 01 — un pomeriggio, e avrai capito la forma della piattaforma. Se usi Muse Code, vai dritto alle tre ricette dedicate — agent fan-out, skill integrate, goal tracking — che trasformano i pattern centrali del prodotto in codice eseguibile. L’indice completo elenca tutte e 28 con i link ai sorgenti.