Quickstart

Zet Muse Code in een paar minuten aan het werk.

Muse Code is in bèta voor macOS en Linux. Het pakt complexe software-engineeringtaken op in grote repositories — wijzigingen plannen, code schrijven en de resultaten valideren — volledig vanuit je terminal.

1. Installatie

Eén commando installeert de CLI:

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

Het script zet de muse-binary in je PATH — controleer het met muse --version. Wil je het script eerst nalezen? Download het met -o install.sh, controleer het en voer het daarna uit.

2. Authenticatie

Bij de eerste run opent de browser om je aan te melden op dev.meta.ai met je Meta-ontwikkelaarsaccount. Inloggegevens worden lokaal gecachet — je hoeft je niet per sessie opnieuw aan te melden. Toegang en facturering lopen via de Meta Model API.

Niet-interactieve runs. Gebruik voor CI, scripts en headless machines een API key in plaats van de browserflow: maak er een aan in het Model API-dashboard (API keys → Create API key) en stel die in als MODEL_API_KEY.

3. Voer je eerste taak uit

Zodra de authenticatie rond is, kun je in elk van je projectmappen aan de slag:

$ cd my-repo$ muse

Beschrijf in gewone taal welk resultaat je wilt. Een goede eerste taak is klein en verifieerbaar — "voeg de ontbrekende test voor parseDate toe en zorg dat hij slaagt" — je ziet dan een worker de wijziging opzetten, een reviewer er kritiek op leveren en de test draaien.

Twee kostenknoppen die je vanaf dag één wilt kennen: Muse Spark is een redeneermodel — het denkt na voordat het antwoordt, en die tokens worden als output gefactureerd — met /effort zet je het denkwerk per taak hoger of lager. En je toon, format en andere vaste regels kunnen in een system message staan, zodat je ze niet in elke prompt hoeft te herhalen.

Asynchrone achtergrondagents

Muse Code werkt met een eenvoudige agent-loop plus een set asynchrone achtergrondagents die de hoofdagent versterken. Deze gespecialiseerde agents blijven de hele sessie actief in plaats van per taak te worden gestart, zodat informatie niet dubbel wordt verzameld. Ze voeren vervolgstappen zelfstandig uit en kiezen zelf wanneer ze terugkoppelen naar de hoofdagent — doordat ze blijven draaien daalt de wachttijd en hoef je bij lastige taken met veel stappen minder bij te sturen.

Agent fan-out & git worktrees

Valt een klus uiteen in meerdere taken, dan waaieren die automatisch uit over aparte agents: de parent start per taak een child-agent met schrijfrechten, en elk child krijgt zijn eigen git worktree — parallelle children botsen nooit op dezelfde bestanden en je werkkopie blijft schoon.

Event log

Muse Code gebruikt een lokaal event log waaraan elke modelaanroep, toolrun, goedkeuring en bewerking wordt toegevoegd. Deze enkele bron van waarheid maakt de runtime exact herafspeelbaar en veilig te herstarten: na een crash gaat de agent precies verder waar hij stopte, zodat hij langlopende taken aankan zonder door storingen uit koers te raken. Elke start, bijsturing en annulering van een subagent is waarneembaar — muse replay loopt stap voor stap door een sessie, en volledige traces zijn te exporteren voor overdracht of audit.

Meegeleverde skills & commando’s

Muse Code wordt geleverd met een aantal standaardskills — stop er een ruw idee in en krijg er een doorgezaagde, op smaak gecontroleerde feature uit:

/planZet een taak om in een plan dat eerst goedkeuring nodig heeft voordat er code wordt aangepast
/grillOnderwerpt dat plan aan stresstests tot het overeind blijft
/goalWerkt door tot het opgegeven doel succesvol is afgerond — wat je oorspronkelijk wilde, is wat gemerged wordt
/modelWisselt het onderliggende model — bijv. naar muse-spark-1.2 tegen de standaardprijzen van de Model API
/effortZet het redeneren hoger of lager — denktokens worden als output gefactureerd, dus bewaar diep redeneren voor lastige taken
muse replayLoopt stap voor stap door het event log van een sessie; volledige traces zijn te exporteren voor overdracht of audit

Muse Spark 1.2

Muse Spark 1.2 is een op coderen gerichte update van Muse Spark 1.1, met verbeteringen in codegeneratie, complex debugwerk, begrip van codebases en end-to-end-ontwikkelworkflows — de rekenkracht voor training op codeertaken is flink opgeschroefd en tegelijk is de variëteit aan omgevingen uitgebreid. Drie dingen springen eruit:

Samen met Muse Code getraind
Getraind met de harness zelf — via rejection sampling geselecteerde harness-trajecten, receptoptimalisaties voor doelen, compactie en subagents, en integratie van de Muse Code-toolset — voor beter toolgebruik, minder herkansingen en output van hogere kwaliteit dan een generieke wrapper.
Lange adem
Uitgebreid getraind op langlopend codeerwerk: complete repositories genereren, grote end-to-end-projecten en automatisch onderzoek. Het plant om het werk in volgorde te zetten, gebruikt goal conditioning om koers te houden en compacteert de context om vaart te blijven maken.
Zelfverbetering
Muse Spark 1.1 genereerde uitdagende codeeromgevingen en templates voor het opvolgen van instructies, en beoordeelde vervolgens kandidaat-oplossingen — een schaalbare trainingslus waardoor 1.2 complexe instructies preciezer opvolgt dan zijn voorganger.

Benchmarks (met Muse Code): Terminal-Bench 2.1 · 82,9% — DeepSWE 1.1 · 59,3%. De volledige methodologie staat in Meta’s evaluatierapport op research.meta.ai.

Casestudy: kerneloptimalisatie

Meta testte hoe goed het model GPU-kernels iteratief kan optimaliseren over 1.000+ toolaanroepen — tot 24 uur lang. Binnen de agentomgeving van Muse Code schrijft, compileert en profileert het model kernels en verbetert het de prestaties stap voor stap ten opzichte van een baseline, gemeten op KDA- en MLA-kernels voor NVIDIA Hopper-GPU’s. Omdat het geen kernel-libraries van derden mocht wrappen, implementeerde het de algoritmen rechtstreeks in Triton — en bleef het substantiële verbeteringen ten opzichte van de baseline vinden.

Meta Model API

Dezelfde modellen achter Muse Code zijn ook rechtstreeks beschikbaar — Muse Spark 1.2 verschijnt in Muse Code, de Meta Model API en OpenRouter, met verruimde wereldwijde toegang. De API is drop-in compatibel met de OpenAI SDK, de Anthropic SDK en agent-CLI’s zoals OpenCode en Claude Code: richt je client op de base URL en laat de rest van je code ongemoeid. Het contextvenster is 1.048.576 tokens.

# 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

Recepten die meteen bij de eerste kopie draaien — elk lost één afgebakend probleem op, laat werkende code zien en wijst je de volgende stap. Drie secties, plus recepten voor de kernpatronen van Muse Code.Bekijk alle 28 recepten →

API-basis · 10 recepten
Bewijs dat elke primitive werkt: chat completions, streaming, tool calling, gestructureerde output, prompt caching, redeneertokens, visuele input, lange context, foutafhandeling en search grounding met inline citaten.
Agentpatronen · 5 recepten
De loops die van een model een agent maken: de waarnemen-beslissen-handelen-loop, redeneren afgewisseld met toolgebruik, contextbeheer over meerdere beurten en gevalideerde in-place-bewerkingen.
Toepassingen · 13 recepten
End-to-end: in de browser geverifieerd webdesign en gamedevelopment, een multi-agent-productstudio met vier profielen die samenwerken via een gedeeld kanbanbord, een autonome GitHub Actions-bot op OpenCode, computergebruik op Linux en macOS, en meer.
Muse Code-recepten
Agent fan-out — verdeel één grote klus over subagents in geïsoleerde worktrees; meegeleverde skills — ruw idee erin, doorgezaagde, gecontroleerde feature eruit; goal tracking — houd een agent op koers tot hij merget wat je wilde.