Aan de slag met Muse Code: van installatie tot eerste merge
Meta's terminal-code-agent is bewust minimaal in te richten: één commando, één keer inloggen via de browser, en je draait een multi-agent-sessie in je eigen repository. Dit is de hele route, inclusief de punten waar je even voor moet vertragen.
Eén commando, één binary
Muse Code is in bèta beschikbaar voor macOS en Linux, en de installatie is één regel:
curl -fsSL https://dev.meta.ai/install.sh | bashHet script zet een muse-binary op je PATH; met muse --version check je of dat gelukt is. Een remote script rechtstreeks in bash pipen is bij elke leverancier een gemaks-afweging, dus voorzichtige teams downloaden het script eerst (curl -fsSL https://dev.meta.ai/install.sh -o install.sh), lezen het door en draaien het daarna pas. Let ook op wat er bewust ontbreekt: er is geen IDE-plugin en geen desktop-app. Anders dan sommige concurrerende agents is Muse Code by design terminal-only.
Inloggen via de browser, keys voor machines
De eerste keer dat je muse draait, opent je browser om in te loggen op dev.meta.ai met een Meta-developeraccount. Daarna worden je credentials lokaal gecachet, dus je hoeft niet elke sessie opnieuw in te loggen. Alles — toegang én facturering — loopt via hetzelfde Meta Model API-account dat de Muse Spark-modellen rechtstreeks serveert.
Voor CI-pipelines, scripts en headless machines sla je de browser over: maak een key aan in het Model API-dashboard (API keys → Create API key) en exporteer die als MODEL_API_KEY. Het keyformaat ziet eruit als LLM|{numeric_id}|{secret} — bewaar hem in een omgevingsvariabele of secrets manager, nooit in code.
Kies een eerste taak die de loop bewijst
cd naar een willekeurige git-repository en draai muse. De agent leest de lokale context in en opent een takenloop; jij beschrijft in gewone taal welke uitkomst je wilt. Weersta de verleiding om met een grootse refactor te beginnen. De snelste manier om het karakter van Muse Code te leren kennen is een kleine, verifieerbare taak — iets als “voeg een ontbrekende test toe voor de parseDate-functie en zorg dat hij slaagt”.
Binnen een paar minuten zie je de taakverdeling die het product definieert: een worker-agent schrijft de wijziging, een reviewer-agent levert er op de achtergrond kritiek op, en de test draait ook echt. Dat worker-plus-reviewer-patroon staat standaard aan voor elke taak — dé reden dat Meta het product omschrijft als multi-agent by default in plaats van multi-agent als optie.
Twee kostenknoppen om op dag één te leren
Muse Spark is een reasoning-model: het denkt na voordat het antwoordt, en die denk-tokens worden als output afgerekend. Met het /effort-commando schroef je het redeneren op of terug, zodat een routinematige rename niet betaalt voor diepe overpeinzingen, terwijl een venijnige concurrency-bug die wél krijgt. Ten tweede: vaste afspraken — je toon, formaat, conventies — horen één keer in een system message thuis, niet herhaald in elke prompt. Met die twee samen blijft je factuur op dag één lekker saai, en dat is precies wat je wilt.
En hierna?
Zodra de loop vertrouwd voelt, geven drie ingebouwde skills structuur aan groter werk: /plan zet een taak om in een plan dat op jouw goedkeuring wacht, /grill zet dat plan onder druk tot het overeind blijft, en /goal houdt een agent op koers richting het doel dat jij stelt. We behandelen ze uitgebreid in het artikel over de bundled skills, en de volledige referentie vind je in de docs.