28 przepisów w trzech sekcjach: przewodnik terenowy po cookbooku Model API
Cookbook Mety obiecuje przepisy, które działają za pierwszym skopiowaniem. Ta obietnica trzyma się dzięki strukturze — każda sekcja zakłada dokładnie to, co udowodniła poprzednia.
Filozofia projektu
Każdy przepis to samowystarczalny punkt startowy do skopiowania, który dowodzi jednej możliwości i zostawia ci coś do rozbudowy. Setup jest celowo trywialny: konto Model API, klucz wyeksportowany jako MODEL_API_KEY i OpenAI SDK wycelowane w https://api.meta.ai/v1. API jest w pełni zgodne z OpenAI SDK, Anthropic SDK i agentowymi CLI takimi jak OpenCode — więc przepisy działają z narzędziami, które już masz. Formaty: notebooki Colab plus samodzielne pliki Pythona.
Sekcja pierwsza: fundamenty API (10 przepisów)
Prymitywy, jeden po drugim: pierwsze chat completion, streaming, tool calling, structured output, prompt caching, kontrola tokenów rozumowania, wejście wizyjne, długi kontekst, obsługa błędów z backoffem i search grounding z cytowaniami w treści. Dyscyplina polega tu na walidowaniu jednego klocka na przepis — gdy coś się później posypie w złożonym agencie, będziesz wiedzieć, który prymityw podejrzewać, bo każdy widziałeś działający w izolacji.
Dwa łatwo nie docenić. Prompt caching to cała ekonomia agentowego kodowania — kontekst repozytorium wysyłany ponownie co turę rozlicza się po stawce cache’owanej, ułamku świeżego wejścia (matematyka tierów tłumaczy, czemu to dominuje w prawdziwych rachunkach). A structured output — JSON gwarantowany schematem, który parsuje się za pierwszym razem — to różnica między pipeline’em agentowym a stertą regexów.
Sekcja druga: wzorce agentowe (5 przepisów)
Tu model staje się agentem: rdzeniowa pętla percepcja–decyzja–akcja, przeplatane rozumowanie i użycie narzędzi w jednej turze, zarządzanie kontekstem w długich przebiegach, walidowane edycje w miejscu (search-and-replace, który sam się sprawdza — wzorzec używany przez każdego poważnego agenta kodującego) oraz copilot przeciw zmęczeniu alertami, który wyciąga ugruntowane wzorce z zaszumionego strumienia ze ścisłą samooceną w JSON-ie. Pięć przepisów, a razem to działający plan konstrukcyjny tego, jak w środku zbudowane są narzędzia pokroju Muse Code.
Sekcja trzecia: zastosowania (13 przepisów)
Sekcja z nagrodą — i właśnie rozstrzał jest tu clou: analiza wykresów i bugfix ze zrzutu ekranu po stronie percepcji; web design i game dev weryfikowane w przeglądarce, gdzie agent sprawdza własną pracę w prawdziwym browserze; wykonywanie kodu w sandboksie; czteroosobowe studio produktowe (PM, backend, frontend, tech writer) koordynujące się przez wspólną tablicę Kanban; gra 3D zbudowana one-shotem z jednego ustrukturyzowanego prompta; autonomiczny bot GitHub Actions; oraz computer use na Linuksie i macOS. Każdy z nich to mały wzorzec produkcyjny, nie zabawka.
Od czego zacząć
Jeśli oceniasz API: fundamenty 01 (quickstart), potem 03 (tool calling), potem wzorce agentowe 01 — jedno popołudnie i rozumiesz kształt platformy. Jeśli używasz Muse Code, idź prosto do trzech przepisów Muse Code — fan-out agentów, wbudowane skille, śledzenie celu — które zamieniają kluczowe wzorce produktu w kod do uruchomienia. Pełny indeks wymienia wszystkie 28 z linkami do źródeł.