28 receitas em três seções: um guia de campo do cookbook da Model API
O cookbook da Meta promete receitas que rodam na primeira vez que você copia. A promessa se sustenta pela estrutura — cada seção assume exatamente o que a anterior já provou.
A filosofia de design
Cada receita é um ponto de partida autocontido, de copiar e colar, que prova uma capacidade e deixa algo para você construir em cima. O setup é deliberadamente trivial: uma conta na Model API, uma chave exportada como MODEL_API_KEY e o SDK da OpenAI apontado para https://api.meta.ai/v1. A API é compatível drop-in com o SDK da OpenAI, o SDK da Anthropic e CLIs de agente como o OpenCode — então as receitas rodam nas ferramentas que você já tem. Formatos: notebooks do Colab e arquivos Python independentes.
Seção um: fundamentos da API (10 receitas)
Os primitivos, um de cada vez: seu primeiro chat completion, streaming, tool calling, saída estruturada, prompt caching, controle de tokens de raciocínio, entrada de visão, contexto longo, tratamento de erros com backoff e grounding em busca com citações inline. A disciplina aqui é validar um bloco de construção por receita — quando algo quebrar mais tarde em um agente complexo, você vai saber de qual primitivo suspeitar, porque viu cada um funcionar isoladamente.
Duas delas são fáceis de subestimar. Prompt caching é a economia do código agêntico — o contexto do repositório reenviado a cada turno é cobrado na tarifa de cache, uma fração da entrada nova (as contas dos planos explicam por que isso domina as faturas reais). E saída estruturada — JSON com schema garantido que faz parse de primeira — é a diferença entre um pipeline de agente e uma pilha de regex.
Seção dois: padrões de agente (5 receitas)
É aqui que um modelo vira um agente: o loop central de perceber-decidir-agir, raciocínio intercalado com uso de ferramentas em um único turno, gestão de contexto em execuções longas, edições in-place validadas (busca-e-substituição que confere a si mesma — o padrão que todo agente de código sério usa) e um copiloto anti-fadiga de alertas que extrai padrões fundamentados de um feed ruidoso com autoavaliação em JSON estrito. Cinco receitas que, juntas, formam um blueprint funcional de como ferramentas como o Muse Code são construídas por dentro.
Seção três: casos de uso (13 receitas)
A seção da recompensa, e a variedade é o ponto: análise de gráficos e de-screenshot-para-bugfix no lado da percepção; web design e game dev verificados no navegador, com o agente conferindo o próprio trabalho em um browser de verdade; execução de código em sandbox; um estúdio de produto com quatro perfis (PM, backend, frontend, tech writer) se coordenando por um quadro Kanban compartilhado; um jogo 3D one-shot construído a partir de um único prompt estruturado; um bot autônomo de GitHub Actions; e computer use tanto em Linux quanto em macOS. Cada uma é um pequeno padrão de produção, não um brinquedo.
Por onde começar
Se você está avaliando a API: fundamentos 01 (quickstart), depois 03 (tool calling), depois padrões de agente 01 — uma tarde, e você entende o formato da plataforma. Se você é usuário do Muse Code, vá direto às três receitas de Muse Code — fan-out de agentes, bundled skills, rastreamento de objetivos — que transformam os padrões centrais do produto em código executável. O índice completo lista as 28 com links para o código-fonte.