Szybki start

Uruchom Muse Code w kilka minut.

Muse Code jest w wersji beta dla macOS i Linuksa. 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.

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. Dostęp i rozliczenia idą 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.

Event log

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.

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
/modelPrzełącza model pod spodem — np. na muse-spark-1.2 w standardowych cenach Model API
/effortPodkręca lub przykręca rozumowanie — tokeny myślenia rozliczane są jako wyjście, więc głębokie rozumowanie zostaw na trudne zadania
muse replayPrzechodzi krok po kroku przez event log sesji; pełne ślady można wyeksportować na potrzeby przekazania pracy lub audytu

Muse Spark 1.2

Muse Spark 1.2 to nastawiona na kodowanie aktualizacja Muse Spark 1.1, z postępami w generowaniu kodu, złożonym debugowaniu, rozumieniu baz kodu i kompletnych przepływach pracy dewelopera — moc obliczeniową treningu na zadaniach programistycznych znacząco zwiększono, a równolegle poszerzono różnorodność środowisk. Wyróżniają go trzy rzeczy:

Trenowany razem z Muse Code
Trenowany z samym harnessem — trajektorie harnessa odsiane przez rejection sampling, optymalizacje receptur pod cele, kompakcję i subagentów oraz integracja zestawu narzędzi Muse Code — co daje sprawniejsze użycie narzędzi, mniej powtórek i wyższą jakość wyników niż u generycznego wrappera.
Długi horyzont
Gruntownie trenowany na długodystansowym kodowaniu: generowaniu całych repozytoriów, dużych projektach od początku do końca i automatycznych badaniach. Planuje, żeby ułożyć pracę w kolejność, trzyma kierunek dzięki warunkowaniu na celu i kompaktuje kontekst, żeby nie tracić tempa.
Samodoskonalenie
Muse Spark 1.1 generował wymagające środowiska programistyczne i szablony podążania za instrukcjami, a potem oceniał kandydujące rozwiązania — skalowalna pętla treningowa, dzięki której 1.2 wykonuje złożone instrukcje precyzyjniej niż poprzednik.

Benchmarki (z Muse Code): Terminal-Bench 2.1 · 82,9% — DeepSWE 1.1 · 59,3%. Pełna metodologia w raporcie ewaluacyjnym Meta na research.meta.ai.

Studium przypadku: optymalizacja kerneli

Meta sprawdziła, jak model 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 1.2 trafia do Muse Code, Meta Model API i OpenRouter, z poszerzonym dostępem na całym świecie. 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-1.2", messages=[{"role": "user", "content": "Hello, world!"}], )

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.