Szybki start

Uruchom Muse Code w kilka minut.

Muse Code jest ogólnie dostępny dla macOS i Linuksa, a na Windowsie działa przez WSL2. Bierze na siebie złożone zadania inżynierii oprogramowania w dużych repozytoriach — planuje zmiany, pisze kod i weryfikuje wyniki — w całości z poziomu twojego terminala.

1. Instalacja

Jedno polecenie instaluje CLI:

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

Skrypt umieszcza binarkę muse w twoim PATH — sprawdź poleceniem muse --version. Wolisz najpierw przejrzeć skrypt? Pobierz go z flagą -o install.sh, przeaudytuj i dopiero wtedy uruchom.

Windows (przez WSL2)

Nie ma natywnej wersji na Windowsa — instalator obsługuje macOS i Linuksa. Na Windowsie 10 lub 11 uruchom wsl --install w PowerShellu z uprawnieniami administratora, żeby skonfigurować WSL2 z Ubuntu, otwórz powłokę Linuksa i uruchom tam ten sam jednolinijkowy instalator. Trzymaj repozytoria w systemie plików Linuksa (na przykład w ~/code), a nie pod /mnt/c: dostęp do plików przez granicę obu systemów jest dużo wolniejszy.

2. Uwierzytelnianie

Przy pierwszym uruchomieniu otworzy się przeglądarka, żebyś uwierzytelnił się na dev.meta.ai kontem dewelopera Meta. Poświadczenia zapisują się lokalnie w pamięci podręcznej — nie musisz logować się ponownie w każdej sesji. Użycie jest rozliczane w ramach twojego planu miesięcznego albo, przy płatności za użycie, przez Meta Model API.

Uruchomienia nieinteraktywne. W CI, skryptach i na maszynach bez interfejsu użyj API key zamiast logowania przez przeglądarkę: utwórz go w panelu Model API (API keys → Create API key) i ustaw jako MODEL_API_KEY.

3. Uruchom pierwsze zadanie

Po uwierzytelnieniu możesz zaczynać w dowolnym katalogu ze swoimi projektami:

$ cd my-repo$ muse

Opisz zwykłym językiem rezultat, na którym ci zależy. Dobre pierwsze zadanie jest małe i łatwe do zweryfikowania — „dopisz brakujący test dla parseDate i upewnij się, że przechodzi” — zobaczysz, jak worker szkicuje zmianę, recenzent ją krytykuje, a test się wykonuje.

Dwie dźwignie kosztów, które warto znać od pierwszego dnia: Muse Spark to model rozumujący — myśli, zanim odpowie, a te tokeny są rozliczane jako wyjście — więc /effort podkręca lub przykręca myślenie dla każdego zadania z osobna. A twój ton, format i inne stałe zasady mogą mieszkać w wiadomości systemowej, żeby nie powtarzać ich w każdym prompcie.

Asynchroniczne agenty w tle

Muse Code działa w oparciu o prostą pętlę agenta oraz zestaw asynchronicznych agentów w tle, które rozszerzają możliwości agenta głównego. Te wyspecjalizowane agenty pozostają aktywne przez całą sesję, zamiast być tworzone do każdego zadania, dzięki czemu nie zbierają w kółko tych samych informacji. Same wykonują kolejne kroki i same decydują, kiedy odezwać się do agenta głównego — ta stała obecność zmniejsza opóźnienia i ogranicza potrzebę ręcznego sterowania przy trudnych, wieloetapowych zadaniach.

Fan-out agentów i git worktree

Kiedy praca rozpada się na kilka zadań, te automatycznie rozchodzą się do osobnych agentów: rodzic uruchamia dla każdego zadania potomnego agenta z prawem zapisu, a każdy potomek dostaje własny git worktree — pracujące równolegle potomki nigdy nie kolidują na tych samych plikach, a twoja kopia robocza pozostaje czysta.

Workflows

Workflows, dodane wraz z wyjściem Muse Code z bety, koordynują zespół wyspecjalizowanych agentów przy większej pracy: każdy etap przekazuje swoje wyniki pośrednie następnemu, a na końcu dostajesz jeden wynik. Żeby uruchomić workflow, poproś Muse Code, by „użył workflow”; ustawienie effort na ultra może uruchomić go automatycznie. /workflows pokazuje każde uruchomienie na żywo — tam możesz je zatrzymać, zrestartować lub anulować — a zapisane workflows można używać ponownie.

Komunikacja między sesjami

Sesje działające na tej samej maszynie mogą wymieniać wiadomości przez lokalny socket uniksowy. Gdy zmiana w jednej sesji wpływa na to, co buduje inna, przekazuje jej ostrzeżenie; gdy jedna sesja rozstrzygnie kwestię, na której utknęła inna, wysyła jej odpowiedź — bez przepisywania czegokolwiek między terminalami. Agent wykrywa pozostałe sesje i wysyła wiadomości za pomocą dwóch wbudowanych narzędzi.

Event log i cofanie

Muse Code korzysta z lokalnego event logu, do którego dopisywane jest każde wywołanie modelu, uruchomienie narzędzia, zatwierdzenie i edycja. To jedno źródło prawdy sprawia, że przebieg da się odtworzyć co do kroku i bezpiecznie wznowić: po awarii agent podejmuje pracę dokładnie tam, gdzie się zatrzymał, więc radzi sobie z długimi zadaniami i nie wypada z toru przy usterkach. Każde utworzenie, skorygowanie i anulowanie subagenta jest widoczne — muse replay przechodzi przez sesję krok po kroku, a pełne ślady można wyeksportować na potrzeby przekazania pracy lub audytu. Naciśnij dwa razy Esc, żeby cofnąć rozmowę do wcześniejszego punktu; Muse Code proponuje tylko te punkty powrotu, które event log oznacza jako bezpieczne.

Wbudowane umiejętności i polecenia

Muse Code ma w zestawie kilka domyślnych umiejętności — wrzucasz surowy pomysł, a dostajesz przemaglowaną, sprawdzoną w boju funkcję:

/planZamienia zadanie w plan wymagający zatwierdzenia, zanim zmieni się choćby linijka kodu

/grillTestuje plan pod obciążeniem, dopóki się nie obroni

/goalProwadzi pracę do skutecznego domknięcia wskazanego celu — do merge trafia to, o co ci chodziło od początku

/workflowsPokazuje uruchomienia workflows na żywo — każde możesz zatrzymać, zrestartować lub anulować

/modelPrzełącza model pod spodem — np. na muse-spark-1.3 w standardowych cenach Model API

/effortPodkręca lub przykręca rozumowanie — tokeny myślenia rozliczane są jako wyjście, więc głębokie rozumowanie zostaw na trudne zadania

Esc EscCofa rozmowę do bezpiecznego punktu z event logu

muse replayPrzechodzi krok po kroku przez event log sesji; pełne ślady można wyeksportować na potrzeby przekazania pracy lub audytu

Muse Spark 1.3

Muse Spark 1.3, wydany 2 września 2026 r., to model, na którym działa Muse Code. Zachowuje recepturę treningu, która wyróżniła 1.2 — wspólny trening z harnessem Muse Code, intensywną pracę na długim horyzoncie i pętlę samodoskonalenia — i stawia na użyteczność w realnej pracy. Cena się nie zmieniła względem 1.2. Wyróżniają go trzy rzeczy:

Dłuższe wątki

Utrzymuje pracę na dłuższym horyzoncie w wielu workflows w obrębie jednego wątku, przenosząc kontekst z etapu na etap.

Pyta, zamiast zgadywać

Współpracuje aktywniej: zadaje pytania doprecyzowujące, sygnalizuje, kiedy utknął, i trafniej ocenia własne ograniczenia, zamiast raportować wyniki, których nie osiągnął.

Oszczędniejsze przebiegi

W porównaniach inżynierów Meta wykonał tę samą pracę programistyczną przy około 20% mniejszej liczbie wywołań narzędzi i 25% mniejszej liczbie tokenów niż 1.2 — przy tej samej cenie za token oznacza to niższy rachunek.

Benchmarki (konfiguracja z maksymalnym rozumowaniem, według Meta): DeepSWE 1.1 · 75,4% — Terminal-Bench 2.1 · 88,8% — SWEAtlas CodeBase QnA · 59,4%. W dniu premiery konfiguracja maksymalna wciąż przechodziła testy bezpieczeństwa; konfiguracja, którą dostaje większość deweloperów, wypada słabiej. Metodologia na research.meta.ai.

Studium przypadku: optymalizacja kerneli

Meta sprawdziła, jak Muse Spark 1.2 radzi sobie z iteracyjną optymalizacją kerneli GPU na przestrzeni ponad 1000 wywołań narzędzi — do 24 godzin. W agentowym środowisku Muse Code model pisze, kompiluje, profiluje i krok po kroku poprawia wydajność kernela względem punktu odniesienia; pomiary wykonano na kernelach KDA i MLA dla GPU NVIDIA Hopper. Mając zakaz opakowywania zewnętrznych bibliotek kerneli, zaimplementował algorytmy bezpośrednio w Tritonie — i wciąż znajdował istotne usprawnienia względem punktu odniesienia.

Meta Model API

Te same modele, które napędzają Muse Code, są dostępne także bezpośrednio — Muse Spark 1.3 jest dostępny w Muse Code, Meta Model API, OpenRouter i Cursorze. API działa bez przeróbek z OpenAI SDK, Anthropic SDK oraz agentowymi CLI takimi jak OpenCode i Claude Code: wskaż klientowi nowy base URL, a reszty kodu nie ruszaj. Okno kontekstu to 1 048 576 tokenów.

# 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-1.3", messages=[{"role": "user", "content": "Hello, world!"}], )

SDK Muse Code

SDK, dostępne w wersji developer preview od wyjścia Muse Code z bety, pozwala zespołom budować własne agenty na Muse Session Protocol (MSP) — otwartym protokole działającym przez standardowe wejście/wyjście, bez serwera i bez sieci, więc wszystko zostaje na twojej maszynie. Biblioteka TypeScript obejmuje sesje, narzędzia i kontrolę uprawnień, a czytelny maszynowo schemat MSP pozwala generować klientów w innych językach. Kod źródłowy: github.com/meta-models/muse-code-sdk.

Cookbook

Przepisy, które działają od pierwszego skopiowania — każdy rozwiązuje jeden konkretny problem, pokazuje działający kod i wskazuje, co dalej. Trzy działy, a do tego przepisy na kluczowe wzorce Muse Code.Przeglądaj wszystkie 28 przepisów →

Podstawy API · 10 przepisów

Sprawdź, że każdy prymityw działa: chat completions, streaming, wywoływanie narzędzi, ustrukturyzowane wyjście, cache promptów, tokeny rozumowania, wejście wizyjne, długi kontekst, obsługa błędów oraz search grounding z cytowaniami w treści.

Wzorce agentowe · 5 przepisów

Pętle, które zamieniają model w agenta: pętla postrzegaj-decyduj-działaj, rozumowanie przeplatane użyciem narzędzi, zarządzanie kontekstem w wielu turach i walidowane edycje w miejscu.

Zastosowania · 13 przepisów

Od początku do końca: projektowanie stron i tworzenie gier weryfikowane w przeglądarce, wieloagentowe studio produktowe z czterema rolami koordynowane przez wspólną tablicę Kanban, autonomiczny bot GitHub Actions na OpenCode, sterowanie komputerem na Linuksie i macOS — i nie tylko.

Przepisy Muse Code

Fan-out agentów — rozdziel jedną dużą pracę między subagentów w odizolowanych worktree; wbudowane umiejętności — surowy pomysł na wejściu, przemaglowana, sprawdzona funkcja na wyjściu; śledzenie celu — trzymaj agenta przy zadaniu, aż zmerguje to, o co ci chodziło.