Avvio rapido

Metti in funzione Muse Code in pochi minuti.

Muse Code è disponibile in versione stabile per macOS e Linux e funziona su Windows tramite WSL2. Si fa carico di attività complesse di ingegneria del software in repository di grandi dimensioni — pianifica le modifiche, scrive il codice e ne valida i risultati — tutto dal tuo terminale.

1. Installazione

Un solo comando installa la CLI:

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

Lo script mette il binario muse nel tuo PATH — verifica con muse --version. Preferisci esaminare prima lo script? Scaricalo con -o install.sh, controllalo e poi eseguilo.

Windows (tramite WSL2)

Non esiste una build nativa per Windows — l’installer supporta macOS e Linux. Su Windows 10 o 11, esegui wsl --install in un PowerShell da amministratore per configurare WSL2 con Ubuntu, apri la shell Linux e lancia lì lo stesso installer da una riga. Tieni i tuoi repository sul filesystem Linux (per esempio ~/code) anziché sotto /mnt/c: l’accesso ai file da un sistema all’altro è molto più lento.

2. Autenticazione

Alla prima esecuzione si apre il browser per autenticarti su dev.meta.ai con il tuo account sviluppatore Meta. Le credenziali restano in cache in locale — niente ri-autenticazione a ogni sessione. L’utilizzo viene addebitato sul tuo piano mensile oppure, con il pay-as-you-go, tramite la Meta Model API.

Esecuzioni non interattive. Per CI, script e macchine headless usa una API key al posto del flusso via browser: creala nella dashboard della Model API (API keys → Create API key) e impostala come MODEL_API_KEY.

3. Esegui il tuo primo task

Completata l’autenticazione, puoi partire da una qualsiasi delle directory dei tuoi progetti:

$ cd my-repo$ muse

Descrivi il risultato che vuoi in linguaggio naturale. Un buon primo task è piccolo e verificabile — «aggiungi il test mancante per parseDate e assicurati che passi» — vedrai un worker abbozzare la modifica, un reviewer criticarla e il test girare.

Due leve di costo da conoscere fin dal primo giorno: Muse Spark è un modello di reasoning — pensa prima di rispondere, e quei token vengono fatturati come output — quindi /effort alza o abbassa il ragionamento per ogni task. E il tuo tono, il formato e le altre regole fisse possono vivere in un messaggio di sistema, così non le ripeti in ogni prompt.

Agenti asincroni in background

Muse Code funziona con un semplice loop di agente più un insieme di agenti asincroni in background che potenziano l’agente principale. Questi agenti specializzati restano attivi per tutta la sessione invece di essere creati a ogni task, evitando di raccogliere più volte le stesse informazioni. Portano avanti i passi successivi in autonomia e scelgono quando riferire all’agente principale — la loro persistenza riduce la latenza e il bisogno di interventi nelle attività difficili in più passaggi.

Fan-out degli agenti e worktree di git

Quando un lavoro si divide in più task, questi vengono distribuiti automaticamente ad agenti separati: il padre genera un agente figlio con permessi di scrittura per ogni task, e ogni figlio riceve il proprio git worktree — i figli che lavorano in parallelo non entrano mai in conflitto sugli stessi file e la tua copia di lavoro resta pulita.

Workflows

Introdotti quando Muse Code è uscito dalla beta, i Workflows orchestrano un team di agenti specializzati su un lavoro più ampio: ogni fase passa il proprio lavoro intermedio alla successiva e alla fine ottieni un unico risultato. Per avviarne uno, chiedi a Muse Code di «usare un workflow»; impostare l’effort su ultra può attivarne uno automaticamente. /workflows mostra ogni esecuzione in tempo reale — da lì puoi fermarla, riavviarla o annullarla — e i workflow salvati si possono riutilizzare.

Messaggistica tra sessioni

Le sessioni in esecuzione sulla stessa macchina possono scambiarsi messaggi tramite un socket Unix locale. Quando una modifica in una sessione tocca ciò che un’altra sta costruendo, le passa un avviso; quando una sessione risolve una questione su cui un’altra è bloccata, le invia la risposta — senza dover ridigitare nulla tra un terminale e l’altro. L’agente individua le altre sessioni e invia messaggi con due strumenti integrati.

Event log e riavvolgimento

Muse Code usa un event log locale a cui vengono aggiunte tutte le chiamate al modello, le esecuzioni di strumenti, le approvazioni e le modifiche. Questa fonte unica di verità rende il runtime riproducibile con esattezza e sicuro al riavvio: dopo un crash, l’agente riparte esattamente da dove si era fermato, e può così affrontare attività di lunga durata senza farsi deragliare dai guasti. Ogni creazione, correzione di rotta e annullamento di un subagente è osservabile — muse replay ripercorre una sessione passo per passo, e le trace complete si esportano per passaggi di consegne o audit. Premi due volte Esc per riavvolgere la conversazione a un punto precedente; Muse Code propone solo punti di riavvolgimento che l’event log segna come sicuri.

Skill e comandi integrati

Muse Code arriva con diverse skill predefinite — metti dentro un’idea grezza e ne esce una funzionalità messa alla prova e validata:

/planTrasforma un task in un piano soggetto ad approvazione prima di toccare il codice

/grillSottopone il piano a stress test finché non regge

/goalLavora fino al completamento dell’obiettivo indicato — quello che volevi all’inizio è ciò che finisce nel merge

/workflowsElenca in tempo reale le esecuzioni dei workflow — puoi fermarne, riavviarne o annullarne una qualsiasi

/modelCambia il modello sottostante — per es. verso muse-spark-1.3 al prezzo standard della Model API

/effortAlza o abbassa il ragionamento — i token di pensiero vengono fatturati come output, quindi riserva il reasoning profondo ai task difficili

Esc EscRiavvolge la conversazione a un punto sicuro dell’event log

muse replayRipercorre l’event log di una sessione passo per passo; le trace complete si esportano per passaggi di consegne o audit

Muse Spark 1.3

Muse Spark 1.3, rilasciato il 2 settembre 2026, è il modello dietro Muse Code. Mantiene la ricetta di addestramento che ha distinto 1.2 — co-addestramento con l’harness di Muse Code, lavoro esteso a lungo orizzonte e un loop di auto-miglioramento — e punta sull’usabilità nel mondo reale. Il prezzo è invariato rispetto a 1.2. Tre cose spiccano:

Thread più lunghi

Sostiene lavoro a orizzonte più lungo su più workflow all’interno di un unico thread, portando il contesto da una fase alla successiva.

Chiede invece di tirare a indovinare

Collabora in modo più attivo: fa domande di chiarimento, segnala quando è bloccato ed è più calibrato sui propri limiti, invece di riportare risultati che non ha raggiunto.

Esecuzioni più snelle

Nei confronti fatti dagli ingegneri di Meta ha completato lo stesso lavoro di coding con circa il 20% di chiamate a strumenti e il 25% di token in meno rispetto a 1.2 — a parità di prezzo per token, significa un conto più basso.

Benchmark (configurazione di reasoning massima, secondo Meta): DeepSWE 1.1 · 75,4% — Terminal-Bench 2.1 · 88,8% — SWEAtlas CodeBase QnA · 59,4%. Al lancio la configurazione massima era ancora in fase di test di sicurezza; la configurazione a cui accede la maggior parte degli sviluppatori ottiene punteggi più bassi. Metodologia su research.meta.ai.

Caso di studio: ottimizzazione dei kernel

Meta ha testato la capacità di Muse Spark 1.2 di ottimizzare iterativamente kernel GPU lungo oltre 1.000 chiamate a strumenti — fino a 24 ore. Nell’ambiente agentico di Muse Code, il modello scrive, compila, profila e migliora progressivamente le prestazioni del kernel rispetto a una baseline, misurate sui kernel KDA e MLA per GPU NVIDIA Hopper. Con il divieto di incapsulare librerie di kernel di terze parti, ha implementato gli algoritmi direttamente in Triton — e ha continuato a trovare miglioramenti sostanziali rispetto alla baseline.

Meta Model API

Gli stessi modelli dietro Muse Code sono disponibili anche in via diretta — Muse Spark 1.3 è disponibile in Muse Code, nella Meta Model API, su OpenRouter e in Cursor. L’API è compatibile drop-in con l’OpenAI SDK, l’Anthropic SDK e le CLI di agenti come OpenCode e Claude Code: punta il tuo client alla base URL e tieni il resto del codice com’è. La finestra di contesto è di 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-1.3", messages=[{"role": "user", "content": "Hello, world!"}], )

SDK di Muse Code

In developer preview da quando Muse Code è uscito dalla beta, l’SDK permette ai team di costruire i propri agenti sul Muse Session Protocol (MSP) — un protocollo aperto basato su standard I/O, senza server e senza rete, così tutto resta sulla tua macchina. La libreria TypeScript copre sessioni, strumenti e controllo dei permessi, e lo schema leggibile dalle macchine di MSP ti consente di generare client in altri linguaggi. Sorgente: github.com/meta-models/muse-code-sdk.

Cookbook

Ricette che girano alla prima copia — ognuna risolve un problema circoscritto, mostra codice funzionante e indica il passo successivo. Tre sezioni, più le ricette per i pattern chiave di Muse Code.Sfoglia tutte le 28 ricette →

Fondamenti dell’API · 10 ricette

Verifica che ogni primitiva funzioni: chat completions, streaming, chiamate a strumenti, output strutturato, prompt caching, token di reasoning, input visivo, contesto lungo, gestione degli errori e search grounding con citazioni inline.

Pattern di agenti · 5 ricette

I loop che trasformano un modello in un agente: il loop percepisci-decidi-agisci, reasoning intercalato con l’uso di strumenti, gestione del contesto multi-turno e modifiche sul posto validate.

Casi d’uso · 13 ricette

End-to-end: web design e sviluppo di giochi verificati nel browser, uno studio di prodotto multi-agente a quattro profili coordinato tramite una board Kanban condivisa, un bot autonomo di GitHub Actions su OpenCode, l’uso del computer su Linux e macOS, e altro ancora.

Ricette Muse Code

Fan-out degli agenti — dividi un lavoro grande tra subagenti in worktree isolati; skill integrate — entra un’idea grezza, esce una funzionalità messa alla prova e validata; tracciamento dell’obiettivo — tieni l’agente sul pezzo finché non fa il merge di quello che volevi.