Primi passi con Muse Code: dall'installazione al primo merge
Il coding agent da terminale di Meta è volutamente minimale da configurare: un comando, un login nel browser, e stai già guidando una sessione multi-agent nel tuo repository. Ecco il percorso completo, comprese le parti su cui vale la pena rallentare.
Un comando, un binario
Muse Code è in beta per macOS e Linux, e l’installazione è una riga sola:
curl -fsSL https://dev.meta.ai/install.sh | bashLo script piazza un binario muse nel tuo PATH; muse --version conferma che è arrivato. Fare pipe di uno script remoto dentro bash è un compromesso di comodità con qualsiasi vendor, quindi i team prudenti dovrebbero prima scaricare lo script (curl -fsSL https://dev.meta.ai/install.sh -o install.sh), leggerlo, e poi eseguirlo. Nota cosa manca di proposito: niente plugin per IDE, niente app desktop. A differenza di alcuni agent concorrenti, Muse Code è solo terminale, per scelta.
Autenticazione nel browser, chiavi per le macchine
La prima volta che lanci muse, si apre il browser per il login su dev.meta.ai con un account developer Meta. Le credenziali restano poi in cache locale, quindi non dovrai riautenticarti a ogni sessione. Tutto — accesso e fatturazione — passa dallo stesso account Meta Model API che serve direttamente i modelli Muse Spark.
Per pipeline CI, script e macchine headless, salta il browser: crea una chiave nella dashboard della Model API (API keys → Create API key) ed esportala come MODEL_API_KEY. Il formato della chiave è tipo LLM|{numeric_id}|{secret} — tienila in una variabile d’ambiente o in un secrets manager, mai nel codice.
Scegli un primo task che dimostri il loop
Fai cd in un repository git qualsiasi e lancia muse. L’agent legge il contesto locale e apre un loop di task; tu descrivi i risultati che vuoi in linguaggio naturale. Resisti alla tentazione di partire con il grande refactor. Il modo più rapido per capire il carattere di Muse Code è un task piccolo e verificabile — qualcosa come “aggiungi il test mancante per la funzione parseDate e assicurati che passi”.
Nel giro di un paio di minuti vedrai la divisione del lavoro che definisce il prodotto: un worker agent abbozza la modifica, un reviewer agent la critica in background, e il test viene eseguito davvero. Quel pattern worker-più-reviewer è attivo di default su ogni task — è il motivo per cui Meta descrive il prodotto come multi-agent by default e non come multi-agent opzionale.
Due leve di costo da imparare il primo giorno
Muse Spark è un modello di ragionamento: pensa prima di rispondere, e quei token di ragionamento vengono fatturati come output. Il comando /effort regola il ragionamento verso l’alto o verso il basso, così un rename di routine non paga una deliberazione profonda, mentre un brutto bug di concorrenza può riceverla. Seconda leva: le regole fisse — tono, formato, convenzioni — vanno in un system message una volta sola, non ripetute in ogni prompt. Tra le due, le bollette del primo giorno restano noiose, che è esattamente quello che vuoi.
Dove andare dopo
Quando il loop ti sarà familiare, tre skill integrate danno struttura ai lavori più grandi: /plan trasforma un task in un piano vincolato all’approvazione, /grill mette quel piano sotto torchio finché non regge, e /goal tiene l’agent puntato sull’obiettivo che hai fissato. Le copriamo a fondo nel post sulle skill integrate, e il riferimento completo vive nella documentazione.