Avvio rapido

Metti in funzione Muse Code in pochi minuti.

Muse Code è in beta per macOS e Linux. 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.

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. Accesso e fatturazione passano dalla 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.

Event log

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.

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
/modelCambia il modello sottostante — per es. verso muse-spark-1.2 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
muse replayRipercorre l’event log di una sessione passo per passo; le trace complete si esportano per passaggi di consegne o audit

Muse Spark 1.2

Muse Spark 1.2 è un aggiornamento di Muse Spark 1.1 incentrato sul coding, con miglioramenti nella generazione di codice, nel debugging complesso, nella comprensione delle codebase e nei flussi di sviluppo end-to-end — il calcolo di addestramento sulle attività di coding è stato ampliato in modo significativo, allargando al tempo stesso la varietà degli ambienti. Tre cose lo distinguono:

Co-addestrato con Muse Code
Addestrato con l’harness stesso — traiettorie dell’harness filtrate per rejection sampling, ottimizzazioni di ricetta per obiettivi, compattazione e subagenti, e integrazione del set di strumenti di Muse Code — per un uso migliore degli strumenti, meno tentativi ripetuti e un output di qualità superiore rispetto a un wrapper generico.
Lungo orizzonte
Addestrato a fondo sul coding a lungo orizzonte: generazione di repository interi, grandi progetti end-to-end e ricerca automatica. Pianifica per mettere in sequenza il lavoro, usa il condizionamento sull’obiettivo per tenere la rotta e compatta il contesto per sostenere l’avanzamento.
Auto-miglioramento
Muse Spark 1.1 ha generato ambienti di coding impegnativi e template di rispetto delle istruzioni, per poi valutare le soluzioni candidate — un loop di addestramento scalabile che rende 1.2 più preciso del predecessore nel seguire istruzioni complesse.

Benchmark (con Muse Code): Terminal-Bench 2.1 · 82,9% — DeepSWE 1.1 · 59,3%. La metodologia completa è nel report di valutazione di Meta su research.meta.ai.

Caso di studio: ottimizzazione dei kernel

Meta ha testato la capacità del modello 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 1.2 arriva in Muse Code, nella Meta Model API e su OpenRouter, con un accesso globale ampliato. 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-1.2", messages=[{"role": "user", "content": "Hello, world!"}], )

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.