クイックスタート

数分で Muse Code を使い始める。

Muse Code は macOS と Linux 向けのベータ版です。大規模リポジトリでの複雑なソフトウェアエンジニアリングタスク — 変更の計画、コードの記述、結果の検証 — を、すべてターミナルの中で完結できます。

1. インストール

コマンド1つで CLI をインストールできます。

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

スクリプトが muse バイナリを PATH に配置します。muse --version で確認してください。先にスクリプトの中身を確認したい場合は、-o install.sh でダウンロードして内容を監査してから実行します。

2. 認証

初回実行時にブラウザが開き、dev.meta.ai で Meta 開発者アカウントによる認証を行います。認証情報はローカルにキャッシュされるため、セッションごとの再認証は不要です。アクセスと課金は Meta Model API を通じて行われます。

非対話環境での実行。 CI、スクリプト、ヘッドレスマシンでは、ブラウザフローの代わりに API key を使います。Model API ダッシュボード（API keys → Create API key）で作成し、環境変数 MODEL_API_KEY に設定してください。

3. 最初のタスクを実行

認証が済めば、どのプロジェクトディレクトリからでもすぐに始められます。

$ cd my-repo$ muse

欲しい結果を普通の言葉で伝えてください。最初のタスクは小さくて検証しやすいものが最適です — 「parseDate に足りないテストを追加して、パスすることを確認して」— ワーカーが変更を起草し、レビュアーが指摘を入れ、テストが実行される様子を見られます。

初日から知っておきたいコストの調整ポイントが2つあります。まず、Muse Spark は推論モデルです — 回答の前に思考し、その思考トークンは出力として課金されます。/effort でタスクごとに思考量を上げ下げできます。また、口調やフォーマットなどの恒常的なルールはシステムメッセージに書いておけば、プロンプトのたびに繰り返す必要はありません。

非同期バックグラウンドエージェント

Muse Code は、シンプルなエージェントループに加えて、メインエージェントの能力を補強する一連の非同期バックグラウンドエージェントで動作します。これらの専門エージェントはタスクごとに生成されるのではなく、セッションを通じて稼働し続けるため、情報収集の重複を避けられます。次のステップを自律的に進め、メインエージェントへ報告するタイミングも自分で判断します — この常駐性がレイテンシを下げ、難しい多段タスクでの軌道修正の手間を減らします。

エージェントのファンアウトと git worktree

ジョブが複数のタスクに分かれると、それぞれが自動的に別のエージェントへファンアウトします。親エージェントはタスクごとに書き込み可能な子エージェントを生成し、各子エージェントは自分専用の git worktree を持ちます — 並列に動く子エージェント同士が同じファイルで衝突することはなく、作業コピーは常にクリーンなままです。

イベントログ

Muse Code はローカルのイベントログを使い、すべてのモデル呼び出し、ツール実行、承認、編集をそこに追記していきます。この単一の情報源のおかげで、ランタイムは正確に再生でき、再起動にも安全です。クラッシュ後もエージェントは止まった地点から正確に再開するため、障害に振り回されずに長時間のタスクをこなせます。サブエージェントの生成・誘導・キャンセルはすべて観測可能です — muse replay でセッションをステップごとにたどれるほか、完全なトレースを引き継ぎや監査用にエクスポートできます。

同梱スキルとコマンド

Muse Code には複数のデフォルトスキルが同梱されています — 粗いアイデアを入れると、徹底的に吟味・検証された機能が出てきます。

/planコードに手を付ける前に、タスクを承認ゲート付きの計画に変換

/grillその計画が耐えられるようになるまでストレステストを実施

/goal指定した目標の達成に向けて作業を推進 — 最初に望んだものがそのままマージされる

/modelバックエンドのモデルを切り替え — 例: 標準の Model API 価格で使える muse-spark-1.2 へ

/effort推論量を調整 — 思考トークンは出力として課金されるため、深い推論は難しいタスクに温存

muse replayセッションのイベントログをステップごとに再生。完全なトレースは引き継ぎや監査用にエクスポート可能

Muse Spark 1.2

Muse Spark 1.2 は Muse Spark 1.1 のコーディング特化アップデートで、コード生成、複雑なデバッグ、コードベース理解、エンドツーエンドの開発ワークフローが向上しています — コーディングタスクへの学習計算量を大幅に拡大しつつ、環境の多様性も広げました。際立つ特徴は次の3つです。

Muse Code との共同学習

ハーネスそのものと共に学習 — 棄却サンプリングしたハーネス軌跡、ゴール・コンパクション・サブエージェント向けのレシピ最適化、Muse Code ツールセットの統合により、汎用ラッパーよりも巧みなツール使用、少ないリトライ、高品質な出力を実現します。

ロングホライズン

長期にわたるコーディングを徹底的に学習 — リポジトリ全体の生成、大規模なエンドツーエンドプロジェクト、自動リサーチなど。作業の順序を計画し、ゴール条件付けで方向性を保ち、コンテキストをコンパクションして進捗を維持します。

自己改善

Muse Spark 1.1 が高難度のコーディング環境と指示追従テンプレートを生成し、候補解を採点する — このスケーラブルな学習ループにより、1.2 は前世代よりも複雑な指示を正確に守ります。

ベンチマーク（Muse Code 使用時）: Terminal-Bench 2.1 · 82.9% — DeepSWE 1.1 · 59.3%。手法の詳細は research.meta.ai にある Meta の評価レポートを参照してください。

事例研究: カーネル最適化

Meta は、1,000 回を超えるツール呼び出し — 最長 24 時間 — にわたって GPU カーネルを反復的に最適化する能力をテストしました。Muse Code のエージェント環境の中で、モデルはカーネルを記述・コンパイル・プロファイリングし、ベースラインに対して性能を段階的に改善していきます。ベンチマーク対象は NVIDIA Hopper GPU 向けの KDA および MLA カーネルです。サードパーティ製カーネルライブラリのラップを禁じられた条件下で、モデルはアルゴリズムを Triton で直接実装し、ベースラインを大きく上回る改善を見つけ続けました。

Meta Model API

Muse Code を支えるモデルは直接利用することもできます — Muse Spark 1.2 は Muse Code、Meta Model API、OpenRouter で提供され、グローバルでの提供範囲も拡大しました。API は OpenAI SDK、Anthropic SDK、そして OpenCode や Claude Code といったエージェント CLI とドロップイン互換です。クライアントの base URL を差し替えるだけで、残りのコードはそのまま使えます。コンテキストウィンドウは 1,048,576 トークンです。

# 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!"}], )

クックブック

コピーした瞬間から動くレシピ集です — それぞれが1つの明確な課題を解決し、動くコードを示し、次のステップを指し示します。3つのセクションに加えて、Muse Code のコアパターンを扱うレシピも用意しています。全 28 レシピを見る →

API の基礎 · 10 レシピ

各プリミティブの動作を確認: チャット補完、ストリーミング、ツール呼び出し、構造化出力、プロンプトキャッシュ、推論トークン、ビジョン入力、ロングコンテキスト、エラーハンドリング、インライン引用付きの検索グラウンディング。

エージェントパターン · 5 レシピ

モデルをエージェントに変えるループ群: 知覚-判断-行動ループ、推論とツール使用のインターリーブ、複数ターンのコンテキスト管理、検証付きのインプレース編集。

ユースケース · 13 レシピ

エンドツーエンドの実例: ブラウザで検証する Web デザインとゲーム開発、共有カンバンボードで連携する4役構成のマルチエージェント・プロダクトスタジオ、OpenCode 上の自律 GitHub Actions ボット、Linux と macOS でのコンピュータ操作など。

Muse Code レシピ

エージェントのファンアウト — 大きなジョブを隔離された worktree 上のサブエージェントに分割。同梱スキル — 粗いアイデアを入れると検証済みの機能が出てくる。ゴールトラッキング — 望んだものがマージされるまでエージェントをタスクに集中させる。