Avvio rapido

Metti in funzione Muse Code in pochi minuti.

Muse Code è disponibile in versione stabile per macOS, Linux e Windows. 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

Windows ha un proprio installer nativo: esegui irm https://dev.meta.ai/install.ps1 | iex in PowerShell, poi verifica con muse --version. Su Windows l’agente esegue i comandi in PowerShell invece che in Bash, la sandbox può mostrare una richiesta UAC al primo avvio, e l’input vocale e la messaggistica tra sessioni non sono disponibili. Se ti servono, o se vuoi una toolchain Bash, usa invece WSL2: esegui wsl --install in un PowerShell da amministratore, poi lancia l’installer per macOS/Linux dentro la shell Linux. In quel caso tieni i repository sul filesystem Linux (per esempio ~/code), non sotto /mnt/c, perché 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), poi esportala come META_API_KEY oppure salvala con muse auth set. Le chiavi iniziano con LLM_. Muse Code controlla prima META_API_KEY, poi una chiave salvata e infine una sessione del browser; /login riapre le opzioni di accesso e muse logout cancella le credenziali salvate.

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.

Aggiornare e disinstallare

Muse Code si aggiorna da solo: l’installer configura un launcher che tiene aggiornato il binario e, dalla CLI 1.4.11, una sessione rimasta aperta durante un aggiornamento automatico riprende con la sua cronologia. Controlla la versione che hai con muse --version e confrontala con il changelog; anche rilanciare il comando di installazione ti porta all’ultima build. Meta non documenta un comando di disinstallazione. Su macOS e Linux l’installer mette il launcher in ~/.local/bin (muse, più i file versionati muse-bin-*) e aggiunge quella directory al profilo della shell, quindi basta eliminare quei file per disinstallarlo; le impostazioni stanno in ~/.config/muse/. Su Windows, Get-Command muse ti dice dove si trova il binario. Un eventuale abbonamento va disdetto a parte in Accounts Center: eliminare la CLI non ferma gli addebiti.

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-wonder-1.0; il selettore imposta anche il livello di ragionamento
/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

Permessi e modalità di approvazione

Muse Code parte con le approvazioni e una sandbox a livello di sistema operativo attive (Seatbelt su macOS, bubblewrap su Linux, la sandbox di Windows su Windows). Le scritture sono limitate al workspace e a una directory temporanea, mentre .git, .muse e .agents restano in sola lettura. Le nuove sessioni partono con il profilo Auto-review, in cui un giudice integrato decide le richieste di approvazione di routine e lascia a te le altre; gli altri profili sono Ask me, Read-only e Unrestricted. Il profilo predefinito si imposta con permissions.default_profile in ~/.config/muse/settings.json. I flag che contano:

--approval-mode on-requestPredefinito. I passaggi shell sicuri vengono eseguiti; quelli pericolosi, come rm -rf, si fermano in attesa di revisione
--approval-mode untrustedPiù restrittivo: qualsiasi passaggio shell senza una regola di autorizzazione corrispondente si ferma per la revisione
--approval-mode neverNiente si ferma in attesa di approvazione; a contenere ciò che gira c’è solo la sandbox
--disable-approvalSalta le richieste di approvazione ma lascia attiva la sandbox
--yoloNiente approvazioni, niente sandbox, workspace considerato attendibile. Meta raccomanda di usarlo solo in container isolati e usa e getta
--sandbox-networkproxy-only (predefinito, approva ogni destinazione), restricted o unrestricted

Quando un comando viene trattenuto, puoi consentirlo una volta, consentirlo sempre in questo workspace oppure rifiutarlo. Gli strumenti MCP e gli hook girano fuori dalla sandbox, quindi collega solo server di cui ti fidi.

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.

Muse Wonder

Muse Wonder e Muse Wonder Full, rilasciati il 12 ottobre 2026, sono i primi modelli di frontiera di Meta: più grandi di Muse Spark e pensati per lavori lunghi e impegnativi, sia nel coding sia in ambiti come quello legale e finanziario. Meta mette in evidenza Active Memory, che porta il contesto rilevante da una conversazione all’altra, e Active Focus, che tiene l’agente concentrato su un obiettivo e lo fa confrontare con te prima delle azioni importanti. Passa a Wonder con /model muse-wonder-1.0; tramite API costa $4 / $0.20 / $20 per 1M di token in input / in cache / in output, senza variante Contributor. Muse Wonder Full è incluso solo nei piani Power e Maximum.

Muse Spark Open

Rilasciato il 15 ottobre 2026, Muse Spark Open è un modello Muse a pesi aperti: 816B parametri in totale, 42B attivi per token, un contesto da 1M di token e input di testo, immagini, video e audio. È distribuito con la Muse Model License, una licenza personalizzata di Meta, e i pesi sono su Hugging Face come meta-models/Muse-Spark-Open-816B-A42B. Non è un modello da portatile: in NVFP4 richiede circa 700 GB di memoria degli acceleratori. Meta ha mostrato Muse Code in esecuzione su questo modello con due Mac Studio, ma non ha documentato una configurazione locale. Se cerchi un modello che stia su una sola GPU consumer, guarda Muse Glimmer.

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` e `muse-wonder-1.0` sono disponibili nella Model API, e Muse Spark 1.3 è disponibile anche 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_..."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!"}], )

Modalità headless e CI

muse exec "<prompt>" esegue un task fino in fondo e poi esce: è la forma da usare negli script e in CI. Aggiungi --json per avere eventi JSONL su stdout, --prompt-file per leggere il prompt da un file, --max-model-steps per porre un tetto al lavoro e --session-id per proseguire una sessione precedente. Per l’autenticazione usa META_API_KEY dal secret store della tua CI. Un exit code 0 significa che il turno è finito, non che il lavoro sia corretto, quindi subordina i merge ai tuoi test. Sui runner Linux la sandbox richiede bubblewrap e una build non musl.

# CI: key from your secret store, JSONL events on stdout$ META_API_KEY="$MUSE_KEY" muse exec --json "fix the failing test in tests/date.test.ts"

Modelli Muse in altri agenti

Meta documenta come configurare OpenCode, Codex e Claude Code con la Model API. Usa la base URL compatibile con OpenAI https://api.meta.ai/v1 (per OpenCode e Codex) oppure la base URL in formato Anthropic https://api.meta.ai, senza /v1 (per Claude Code), insieme alla tua MODEL_API_KEY e a un ID modello come muse-spark-1.3 o muse-wonder-1.0. In Claude Code imposta ANTHROPIC_AUTH_TOKEN e non ANTHROPIC_API_KEY, e fai puntare ogni alias di modello a un modello Muse, così nulla ripiega su Claude. In Codex usa wire_api = "responses" perché il ragionamento venga mantenuto da un turno all’altro. Questo uso si paga a token sulla Model API; il tuo piano Muse Code non lo copre.

# Claude Code on Meta's Model APIexport ANTHROPIC_BASE_URL="https://api.meta.ai"export ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY"export ANTHROPIC_MODEL="muse-wonder-1.0"export ANTHROPIC_DEFAULT_OPUS_MODEL="muse-wonder-1.0"export ANTHROPIC_DEFAULT_SONNET_MODEL="muse-spark-1.3"export ANTHROPIC_DEFAULT_HAIKU_MODEL="muse-spark-1.3"export CLAUDE_CODE_SUBAGENT_MODEL="muse-spark-1.3"

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.