Primeiros passos com o Muse Code: da instalação ao primeiro merge
O agente de código para terminal da Meta tem um setup deliberadamente mínimo: um comando, um login no navegador, e você já está no comando de uma sessão multiagente dentro do seu próprio repositório. Aqui vai o caminho completo, incluindo as partes que merecem atenção extra.
Um comando, um binário
O Muse Code está em beta para macOS e Linux, e a instalação é uma linha só:
curl -fsSL https://dev.meta.ai/install.sh | bashO script coloca um binário muse no seu PATH; muse --version confirma que ele chegou. Encanar um script remoto direto no bash é uma troca de conveniência por risco com qualquer fornecedor, então times mais cautelosos devem baixar o script antes (curl -fsSL https://dev.meta.ai/install.sh -o install.sh), lê-lo e só então executar. Repare no que está ausente de propósito: não existe plugin de IDE nem app de desktop. Diferente de alguns agentes concorrentes, o Muse Code é só terminal, por design.
Autenticação no navegador, chaves para as máquinas
Na primeira vez que você roda o muse, ele abre o navegador para fazer login em dev.meta.ai com uma conta de desenvolvedor Meta. Depois disso, as credenciais ficam em cache local, então você não vai se autenticar de novo a cada sessão. Tudo — acesso e cobrança — passa pela mesma conta da Meta Model API que serve os modelos Muse Spark diretamente.
Para pipelines de CI, scripts e máquinas headless, pule o navegador: crie uma chave no dashboard da Model API (API keys → Create API key) e exporte-a como MODEL_API_KEY. O formato da chave é algo como LLM|{numeric_id}|{secret} — guarde-a em uma variável de ambiente ou em um gerenciador de segredos, nunca no código.
Escolha uma primeira tarefa que prove o loop
Dê um cd em qualquer repositório git e rode muse. O agente lê o contexto local e abre um loop de tarefas; você descreve resultados em linguagem natural. Resista à tentação de começar com um refactor grandioso. O jeito mais rápido de entender a personalidade do Muse Code é uma tarefa pequena e verificável — algo como “adicione o teste que falta para a função parseDate e garanta que ele passa”.
Em uns dois minutos você vai assistir à divisão de trabalho que define o produto: um agente worker rascunha a mudança, um agente revisor a critica em background, e o teste roda de verdade. Esse padrão worker-e-revisor vem ligado por padrão em toda tarefa — é por isso que a Meta descreve o produto como multiagente por padrão, e não multiagente como opção.
Duas alavancas de custo para aprender no primeiro dia
O Muse Spark é um modelo de raciocínio: ele pensa antes de responder, e esses tokens de raciocínio são cobrados como saída. O comando /effort regula o raciocínio para cima ou para baixo, para que um rename rotineiro não pague por deliberação profunda enquanto um bug cabeludo de concorrência possa recebê-la. Segundo: regras permanentes — seu tom, formato, convenções — pertencem a uma mensagem de sistema, uma vez só, e não repetidas em cada prompt. Entre as duas coisas, a fatura do primeiro dia fica sem emoção nenhuma — que é exatamente o que você quer.
Para onde ir depois
Quando o loop já parecer familiar, três skills embutidas estruturam trabalhos maiores: /plan transforma uma tarefa em um plano condicionado à sua aprovação, /grill estressa esse plano até ele se sustentar, e /goal mantém o agente avançando rumo ao objetivo que você definiu. Cobrimos as três a fundo no post sobre as skills embutidas, e a referência completa está na documentação.