퀵스타트

몇 분 만에 Muse Code를 실행해 보세요.

Muse Code는 macOS와 Linux용 베타로 제공됩니다. 대규모 저장소에서 복잡한 소프트웨어 엔지니어링 작업을 맡아 변경 계획, 코드 작성, 결과 검증까지 전부 터미널 안에서 처리합니다.

1. 설치

명령어 하나로 CLI를 설치합니다.

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

스크립트가 muse 바이너리를 PATH에 배치합니다 — muse --version으로 확인하세요. 스크립트를 먼저 검토하고 싶다면 -o install.sh로 내려받아 살펴본 뒤 실행하면 됩니다.

2. 인증

처음 실행하면 브라우저가 열리고 dev.meta.ai에서 Meta 개발자 계정으로 인증합니다. 인증 정보는 로컬에 캐시되므로 세션마다 다시 인증할 필요가 없습니다. 접근과 과금은 모두 Meta Model API를 통해 이루어집니다.

비대화형 실행. CI, 스크립트, 헤드리스 머신에서는 브라우저 인증 대신 API key를 사용하세요. Model API 대시보드(API keys → Create API key)에서 생성한 뒤 환경 변수 MODEL_API_KEY로 설정합니다.

3. 첫 번째 태스크 실행

인증이 끝나면 어느 프로젝트 디렉터리에서든 바로 시작할 수 있습니다.

$ cd my-repo$ muse

원하는 결과를 자연스러운 문장으로 설명하세요. 첫 태스크는 작고 검증하기 쉬운 것이 좋습니다 — "parseDate에 빠진 테스트를 추가하고 통과하는지 확인해 줘" — 워커가 변경안을 작성하고, 리뷰어가 지적하고, 테스트가 실행되는 과정을 볼 수 있습니다.

첫날부터 알아 두면 좋은 비용 조절 포인트가 두 가지 있습니다. Muse Spark는 추론 모델이라 답하기 전에 생각하며, 그 사고 토큰은 출력으로 과금됩니다 — /effort로 태스크마다 사고량을 올리거나 낮출 수 있습니다. 또 말투나 형식 같은 상시 규칙은 시스템 메시지에 넣어 두면 프롬프트마다 반복할 필요가 없습니다.

비동기 백그라운드 에이전트

Muse Code는 단순한 에이전트 루프에, 메인 에이전트의 능력을 보강하는 비동기 백그라운드 에이전트들을 더해 동작합니다. 이 전문 에이전트들은 태스크마다 새로 생성되는 대신 세션 내내 활성 상태를 유지하므로 정보 수집이 중복되지 않습니다. 다음 단계를 스스로 진행하고 메인 에이전트에 보고할 시점도 직접 판단합니다 — 이런 상주성 덕분에 지연이 줄고, 어려운 다단계 작업에서도 일일이 방향을 잡아 줄 필요가 적어집니다.

에이전트 팬아웃과 git worktree

작업이 여러 태스크로 나뉘면 각 태스크는 자동으로 별도의 에이전트에 팬아웃됩니다. 부모 에이전트가 태스크마다 쓰기 가능한 자식 에이전트를 만들고, 자식마다 전용 git worktree를 받습니다 — 병렬로 도는 자식 에이전트끼리 같은 파일에서 충돌할 일이 없고, 작업 사본은 항상 깨끗하게 유지됩니다.

이벤트 로그

Muse Code는 로컬 이벤트 로그를 사용해 모든 모델 호출, 도구 실행, 승인, 편집을 차례로 기록합니다. 이 단일 진실 공급원 덕분에 런타임은 정확한 리플레이와 안전한 재시작이 가능합니다. 크래시가 나도 에이전트는 멈춘 지점에서 정확히 이어서 진행하므로, 장시간 작업이 장애 때문에 무너지지 않습니다. 서브에이전트의 생성·조정·취소는 모두 관찰 가능합니다 — muse replay로 세션을 단계별로 따라갈 수 있고, 전체 트레이스는 인수인계나 감사용으로 내보낼 수 있습니다.

기본 제공 스킬과 명령어

Muse Code에는 여러 기본 스킬이 함께 제공됩니다 — 거친 아이디어를 넣으면, 꼼꼼히 다듬고 검증을 거친 기능이 나옵니다.

/plan코드를 고치기 전에 태스크를 승인 게이트가 있는 계획으로 변환
/grill계획이 버틸 때까지 스트레스 테스트를 반복
/goal지정한 목표가 완수될 때까지 작업을 추진 — 처음 원했던 것이 그대로 머지됨
/model백엔드 모델 전환 — 예: 표준 Model API 요금이 적용되는 muse-spark-1.2로
/effort추론량 조절 — 사고 토큰은 출력으로 과금되므로 깊은 추론은 어려운 태스크에 아껴 두기
muse replay세션의 이벤트 로그를 단계별로 재생. 전체 트레이스는 인수인계나 감사용으로 내보내기 가능

Muse Spark 1.2

Muse Spark 1.2는 Muse Spark 1.1의 코딩 특화 업데이트로, 코드 생성, 복잡한 디버깅, 코드베이스 이해, 엔드투엔드 개발 워크플로가 개선되었습니다 — 코딩 태스크에 투입하는 학습 연산량을 대폭 늘리는 한편 환경 다양성도 확장했습니다. 다음 세 가지가 특히 돋보입니다.

Muse Code와의 공동 학습
하네스 자체와 함께 학습했습니다 — 기각 샘플링한 하네스 궤적, 목표·컴팩션·서브에이전트를 위한 레시피 최적화, Muse Code 도구 세트 통합을 통해 범용 래퍼보다 더 능숙한 도구 사용, 더 적은 재시도, 더 높은 품질의 출력을 냅니다.
롱 호라이즌
장기 코딩 작업을 집중적으로 학습했습니다 — 저장소 전체 생성, 대형 엔드투엔드 프로젝트, 자동 리서치까지. 작업 순서를 계획하고, 목표 조건화로 방향을 유지하며, 컨텍스트를 컴팩션해 진행을 이어 갑니다.
자기 개선
Muse Spark 1.1이 고난도 코딩 환경과 지시 준수 템플릿을 생성하고 후보 해답을 채점했습니다 — 이 확장 가능한 학습 루프 덕분에 1.2는 전작보다 복잡한 지시를 더 정확하게 따릅니다.

벤치마크(Muse Code 사용 시): Terminal-Bench 2.1 · 82.9% — DeepSWE 1.1 · 59.3%. 자세한 방법론은 research.meta.ai의 Meta 평가 보고서를 참고하세요.

사례 연구: 커널 최적화

Meta는 1,000회 이상의 도구 호출 — 최대 24시간 — 에 걸쳐 GPU 커널을 반복적으로 최적화하는 능력을 테스트했습니다. Muse Code의 에이전트 환경 안에서 모델은 커널을 작성·컴파일·프로파일링하며 베이스라인 대비 성능을 점진적으로 끌어올립니다. 벤치마크 대상은 NVIDIA Hopper GPU용 KDA·MLA 커널입니다. 서드파티 커널 라이브러리 래핑이 금지된 조건에서 모델은 알고리즘을 Triton으로 직접 구현했고, 베이스라인을 크게 웃도는 개선을 계속 찾아냈습니다.

Meta Model API

Muse Code를 움직이는 모델은 직접 사용할 수도 있습니다 — Muse Spark 1.2는 Muse Code, Meta Model API, OpenRouter에서 제공되며 글로벌 제공 범위도 넓어졌습니다. API는 OpenAI SDK, Anthropic SDK, 그리고 OpenCode·Claude Code 같은 에이전트 CLI와 드롭인 호환됩니다. 클라이언트의 base URL만 바꾸면 나머지 코드는 그대로 쓸 수 있습니다. 컨텍스트 윈도는 1,048,576 토큰입니다.

# 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!"}], )

쿡북

복사하자마자 바로 도는 레시피 모음입니다 — 각 레시피는 하나의 명확한 문제를 해결하고, 동작하는 코드를 보여 주며, 다음 단계를 안내합니다. 세 개 섹션에 더해 Muse Code 핵심 패턴을 다루는 레시피도 준비되어 있습니다.레시피 28개 전체 보기 →

API 기초 · 레시피 10개
각 프리미티브의 동작 확인: 챗 컴플리션, 스트리밍, 도구 호출, 구조화 출력, 프롬프트 캐싱, 추론 토큰, 비전 입력, 롱 컨텍스트, 오류 처리, 인라인 인용이 붙은 검색 그라운딩.
에이전트 패턴 · 레시피 5개
모델을 에이전트로 바꾸는 루프들: 지각-결정-행동 루프, 추론과 도구 사용의 인터리브, 멀티턴 컨텍스트 관리, 검증을 거치는 제자리 편집.
유스케이스 · 레시피 13개
엔드투엔드 사례: 브라우저로 검증하는 웹 디자인과 게임 개발, 공유 칸반 보드로 협업하는 4인 구성 멀티 에이전트 프로덕트 스튜디오, OpenCode 기반의 자율 GitHub Actions 봇, Linux와 macOS에서의 컴퓨터 사용 등.
Muse Code 레시피
에이전트 팬아웃 — 큰 작업을 격리된 워크트리의 서브에이전트들에게 분할. 기본 제공 스킬 — 거친 아이디어를 넣으면 검증된 기능이 나옴. 목표 추적 — 원했던 것이 머지될 때까지 에이전트를 태스크에 집중시키기.