Guia rápido

Coloque o Muse Code para rodar em minutos.

O Muse Code já está disponível oficialmente para macOS, Linux e Windows. Ele assume tarefas complexas de engenharia de software em repositórios grandes — planeja as mudanças, escreve o código e valida os resultados — tudo sem sair do seu terminal.

1. Instalação

Um único comando instala a CLI:

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

O script coloca o binário muse no seu PATH — confira com muse --version. Prefere revisar o script antes? Baixe com -o install.sh, audite e depois execute.

Windows

O Windows tem um instalador nativo próprio: execute irm https://dev.meta.ai/install.ps1 | iex no PowerShell e confira com muse --version. No Windows, o agente executa os comandos no PowerShell em vez do Bash, o sandbox pode exibir um aviso do UAC na primeira vez que inicia, e a entrada por voz e as mensagens entre sessões não estão disponíveis. Se você precisa desses recursos, ou de um conjunto de ferramentas Bash, use o WSL2: execute wsl --install em um PowerShell de administrador e depois rode o instalador de macOS/Linux dentro do shell do Linux. Nesse caso, mantenha os repositórios no sistema de arquivos do Linux (por exemplo, ~/code), e não em /mnt/c, porque o acesso a arquivos entre os dois sistemas é bem mais lento.

2. Autenticação

Na primeira execução, o navegador abre para você se autenticar em dev.meta.ai com sua conta de desenvolvedor da Meta. As credenciais ficam em cache local — sem reautenticação a cada sessão. O uso é cobrado no seu plano mensal ou, no pagamento por uso, pela Meta Model API.

Execuções não interativas. Para CI, scripts e máquinas sem interface, use uma API key no lugar do fluxo do navegador: crie uma no painel da Model API (API keys → Create API key) e exporte-a como META_API_KEY ou salve-a com muse auth set. As chaves começam com LLM_. O Muse Code verifica primeiro a META_API_KEY, depois uma chave salva e, por último, uma sessão do navegador; /login reabre as opções de login e muse logout apaga as credenciais salvas.

3. Execute sua primeira tarefa

Com a autenticação concluída, você pode começar em qualquer um dos seus diretórios de projeto:

$ cd my-repo$ muse

Descreva o resultado que você quer em linguagem natural. Uma boa primeira tarefa é pequena e verificável — "adicione o teste que falta para parseDate e garanta que ele passa" — você vai ver um worker rascunhar a mudança, um revisor criticá-la e o teste rodar.

Duas alavancas de custo que valem conhecer desde o primeiro dia: o Muse Spark é um modelo de raciocínio — ele pensa antes de responder, e esses tokens são cobrados como saída — então /effort aumenta ou reduz o raciocínio por tarefa. E seu tom, formato e outras regras fixas podem morar em uma mensagem de sistema, para você não repeti-las em cada prompt.

Atualizar e desinstalar

O Muse Code se atualiza sozinho: o instalador configura um launcher que mantém o binário em dia e, desde a CLI 1.4.11, uma sessão que ficou rodando durante uma atualização automática é retomada com o histórico. Confira a sua versão com muse --version e compare com o changelog; rodar o comando de instalação de novo também traz a build mais recente. A Meta não documenta um comando de desinstalação. No macOS e no Linux, o instalador coloca o launcher em ~/.local/bin (muse, mais os arquivos versionados muse-bin-*) e adiciona esse diretório ao perfil do seu shell, então basta apagar esses arquivos para desinstalar; as configurações ficam em ~/.config/muse/. No Windows, Get-Command muse mostra onde está o binário. Se você tem uma assinatura, cancele separadamente no Accounts Center — apagar a CLI não interrompe a cobrança.

Agentes assíncronos em segundo plano

O Muse Code funciona com um loop de agente simples mais um conjunto de agentes assíncronos em segundo plano que ampliam a capacidade do agente principal. Esses agentes especializados permanecem ativos durante toda a sessão em vez de serem criados a cada tarefa, o que evita coletar as mesmas informações repetidamente. Eles conduzem os próximos passos por conta própria e escolhem quando reportar ao agente principal — essa persistência reduz a latência e a necessidade de intervenção em tarefas difíceis de várias etapas.

Fan-out de agentes e worktrees do git

Quando um trabalho se divide em várias tarefas, elas se distribuem automaticamente entre agentes separados: o pai cria um agente filho com permissão de escrita para cada tarefa, e cada filho recebe seu próprio git worktree — filhos em paralelo nunca colidem nos mesmos arquivos e sua cópia de trabalho continua limpa.

Workflows

Adicionados quando o Muse Code saiu do beta, os Workflows orquestram uma equipe de agentes especializados em um trabalho maior: cada etapa passa seu trabalho intermediário para a próxima, e no fim você recebe um único resultado. Para iniciar um, peça ao Muse Code para "usar um workflow"; definir o effort como ultra pode disparar um automaticamente. /workflows mostra cada execução ao vivo — é ali que você a interrompe, reinicia ou cancela — e workflows salvos podem ser reutilizados.

Mensagens entre sessões

Sessões rodando na mesma máquina podem trocar mensagens por um socket Unix local. Quando uma mudança em uma sessão afeta o que outra está construindo, ela repassa um aviso; quando uma sessão resolve uma dúvida que travava outra, ela envia a resposta — sem redigitar nada entre terminais. O agente descobre as outras sessões e envia mensagens com duas ferramentas integradas.

Event log e retrocesso

O Muse Code usa um event log local ao qual toda chamada de modelo, execução de ferramenta, aprovação e edição é acrescentada. Essa fonte única de verdade torna o runtime reproduzível com exatidão e seguro para reinícios: depois de uma falha, o agente retoma exatamente de onde parou, o que permite assumir tarefas longas sem descarrilar por causa de erros. Toda criação, todo redirecionamento e todo cancelamento de subagente é observável — muse replay percorre uma sessão passo a passo, e os traces completos podem ser exportados para repasse ou auditoria. Pressione Esc duas vezes para voltar a conversa a um ponto anterior; o Muse Code só oferece pontos de retrocesso que o event log marca como seguros.

Skills e comandos integrados

O Muse Code vem com várias skills padrão — você coloca uma ideia bruta e sai uma funcionalidade testada sob pressão e validada:

/planTransforma uma tarefa em um plano sujeito a aprovação antes de mexer no código

/grillSubmete o plano a testes de pressão até ele se sustentar

/goalTrabalha até a conclusão bem-sucedida do objetivo definido — o que você queria no início é o que acaba no merge

/workflowsLista as execuções de workflows ao vivo — interrompa, reinicie ou cancele qualquer uma delas

/modelTroca o modelo por trás — p. ex. para o muse-wonder-1.0; o seletor também define o nível de raciocínio

/effortAumenta ou reduz o raciocínio — tokens de pensamento são cobrados como saída, então reserve o raciocínio profundo para as tarefas difíceis

Esc EscVolta a conversa a um ponto seguro do event log

muse replayPercorre o event log de uma sessão passo a passo; os traces completos podem ser exportados para repasse ou auditoria

Permissões e modos de aprovação

O Muse Code já começa com aprovações e um sandbox do sistema operacional ativados (Seatbelt no macOS, bubblewrap no Linux e o sandbox do Windows no Windows). As gravações ficam restritas ao workspace e a um diretório temporário, e .git, .muse e .agents continuam somente leitura. Sessões novas começam no perfil Auto-review, em que um juiz embutido decide os pedidos de aprovação rotineiros e passa o resto para você; os outros perfis são Ask me, Read-only e Unrestricted. Defina o padrão com permissions.default_profile em ~/.config/muse/settings.json. As flags que importam:

--approval-mode on-requestPadrão. Etapas de shell seguras rodam direto; as perigosas, como rm -rf, ficam aguardando revisão

--approval-mode untrustedMais rígido: qualquer etapa de shell que não bata com uma regra de permissão fica aguardando revisão

--approval-mode neverNada fica esperando aprovação; só o sandbox contém o que roda

--disable-approvalPula os pedidos de aprovação, mas mantém o sandbox ativo

--yoloSem aprovações, sem sandbox, workspace tratado como confiável. A Meta orienta usar só em containers isolados e descartáveis

--sandbox-networkproxy-only (padrão, aprova cada destino), restricted ou unrestricted

Quando um comando fica retido, você pode permitir só desta vez, permitir sempre neste workspace ou rejeitar. Ferramentas MCP e hooks rodam fora do sandbox, então conecte apenas servidores em que você confia.

Muse Spark 1.3

O Muse Spark 1.3, lançado em 2 de setembro de 2026, é o modelo por trás do Muse Code. Ele mantém a receita de treino que diferenciou o 1.2 — treino conjunto com o harness do Muse Code, trabalho extenso de horizonte longo e um loop de autoaperfeiçoamento — e foca na usabilidade no mundo real. O preço é o mesmo do 1.2. Três coisas se destacam:

Threads mais longas

Sustenta trabalho de horizonte mais longo ao longo de vários workflows em uma única thread, levando o contexto de uma etapa para a próxima.

Pergunta em vez de chutar

Colabora de forma mais ativa: faz perguntas de esclarecimento, avisa quando empaca e tem uma noção mais calibrada dos próprios limites, em vez de relatar resultados que não alcançou.

Execuções mais enxutas

Nas comparações dos engenheiros da Meta, ele concluiu o mesmo trabalho de programação com cerca de 20% menos chamadas de ferramentas e 25% menos tokens que o 1.2 — com o mesmo preço por token, isso significa uma conta menor.

Benchmarks (configuração de raciocínio máximo, segundo a Meta): DeepSWE 1.1 · 75,4% — Terminal-Bench 2.1 · 88,8% — SWEAtlas CodeBase QnA · 59,4%. No lançamento, a configuração máxima ainda estava em testes de segurança; a configuração que a maioria dos desenvolvedores recebe tem pontuação menor. Metodologia em research.meta.ai.

Muse Wonder

Lançados em 12 de outubro de 2026, o Muse Wonder e o Muse Wonder Full são os primeiros modelos de fronteira da Meta: maiores que o Muse Spark e voltados para trabalhos longos e difíceis em programação e em áreas como direito e finanças. A Meta destaca o Active Memory, que leva o contexto relevante de uma conversa para outra, e o Active Focus, que mantém o agente trabalhando rumo a um objetivo e faz com que ele consulte você antes de ações importantes. Mude para o Wonder com /model muse-wonder-1.0; na API, ele custa $4 / $0.20 / $20 por 1M de tokens de entrada / em cache / de saída, sem variante Contributor. O Muse Wonder Full vem apenas com os planos Power e Maximum.

Muse Spark Open

Lançado em 15 de outubro de 2026, o Muse Spark Open é um modelo Muse de pesos abertos: 816B de parâmetros no total, 42B ativos por token, contexto de 1M de tokens e entrada de texto, imagem, vídeo e áudio. Ele é distribuído sob a Muse Model License, uma licença própria da Meta, e os pesos estão no Hugging Face como meta-models/Muse-Spark-Open-816B-A42B. Não é um modelo para notebook: em NVFP4, ele precisa de cerca de 700 GB de memória de acelerador. A Meta mostrou o Muse Code rodando sobre ele em dois Mac Studio, mas não documentou como montar isso localmente. Se você quer um modelo que caiba em uma única GPU de consumo, veja o Muse Glimmer.

Estudo de caso: otimização de kernels

A Meta testou a capacidade do Muse Spark 1.2 de otimizar kernels de GPU de forma iterativa ao longo de mais de 1.000 chamadas de ferramentas — até 24 horas. Dentro do ambiente agêntico do Muse Code, o modelo escreve, compila, faz profiling e melhora progressivamente o desempenho do kernel em relação a uma linha de base, medido nos kernels KDA e MLA para GPUs NVIDIA Hopper. Proibido de encapsular bibliotecas de kernel de terceiros, ele implementou os algoritmos diretamente em Triton — e continuou encontrando melhorias substanciais sobre a linha de base.

Meta Model API

Os mesmos modelos por trás do Muse Code estão disponíveis diretamente — o `muse-spark-1.3` e o `muse-wonder-1.0` estão na Model API, e o Muse Spark 1.3 também está no Muse Code, na Meta Model API, no OpenRouter e no Cursor. A API é compatível sem mudanças com o OpenAI SDK, o Anthropic SDK e CLIs de agentes como OpenCode e Claude Code: aponte seu cliente para a base URL e mantenha o resto do seu código. A janela de contexto é de 1.048.576 tokens.

# export MODEL_API_KEY="LLM_..."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!"}], )

Modo headless e CI

muse exec "<prompt>" executa uma tarefa até o fim e sai — é o formato para usar em scripts e CI. Adicione --json para receber eventos JSONL no stdout, --prompt-file para ler o prompt de um arquivo, --max-model-steps para limitar o trabalho e --session-id para continuar uma sessão anterior. Autentique com a META_API_KEY guardada no cofre de segredos da sua CI. Código de saída 0 significa que o turno terminou, não que o trabalho está certo, então condicione os merges aos seus próprios testes. Em runners Linux, o sandbox precisa do bubblewrap e de uma build que não seja musl.

# CI: key from your secret store, JSONL events on stdout$ META_API_KEY="$MUSE_KEY" muse exec --json "fix the failing test in tests/date.test.ts"

Modelos Muse em outros agentes

A Meta documenta como configurar OpenCode, Codex e Claude Code com a Model API. Use a base URL compatível com OpenAI https://api.meta.ai/v1 (para OpenCode e Codex) ou a base URL no formato da Anthropic https://api.meta.ai, sem /v1 (para Claude Code), junto com a sua MODEL_API_KEY e um ID de modelo como muse-spark-1.3 ou muse-wonder-1.0. No Claude Code, defina ANTHROPIC_AUTH_TOKEN em vez de ANTHROPIC_API_KEY e aponte todos os aliases de modelo para um modelo Muse, para que nada caia de volta no Claude. No Codex, use wire_api = "responses" para que o raciocínio seja mantido entre os turnos. Isso é cobrado por token na Model API; o seu plano do Muse Code não cobre esse uso.

# Claude Code on Meta's Model APIexport ANTHROPIC_BASE_URL="https://api.meta.ai"export ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY"export ANTHROPIC_MODEL="muse-wonder-1.0"export ANTHROPIC_DEFAULT_OPUS_MODEL="muse-wonder-1.0"export ANTHROPIC_DEFAULT_SONNET_MODEL="muse-spark-1.3"export ANTHROPIC_DEFAULT_HAIKU_MODEL="muse-spark-1.3"export CLAUDE_CODE_SUBAGENT_MODEL="muse-spark-1.3"

SDK do Muse Code

Em prévia para desenvolvedores desde que o Muse Code saiu do beta, o SDK permite que equipes criem seus próprios agentes sobre o Muse Session Protocol (MSP) — um protocolo aberto via entrada/saída padrão, sem servidor e sem rede, então tudo fica na sua máquina. A biblioteca TypeScript cobre sessões, ferramentas e controle de permissões, e o schema legível por máquina do MSP permite gerar clientes em outras linguagens. Código-fonte: github.com/meta-models/muse-code-sdk.

Cookbook

Receitas que rodam já na primeira cópia — cada uma resolve um problema específico, mostra código que funciona e aponta o próximo passo. Três seções, mais receitas para os padrões centrais do Muse Code.Ver todas as 28 receitas →

Fundamentos da API · 10 receitas

Comprove que cada primitiva funciona: chat completions, streaming, chamadas de ferramentas, saída estruturada, cache de prompts, tokens de raciocínio, entrada de visão, contexto longo, tratamento de erros e grounding com busca e citações inline.

Padrões de agentes · 5 receitas

Os loops que transformam um modelo em um agente: o loop perceber-decidir-agir, raciocínio intercalado com uso de ferramentas, gestão de contexto multi-turno e edições in loco validadas.

Casos de uso · 13 receitas

De ponta a ponta: design web e desenvolvimento de jogos verificados no navegador, um estúdio de produto multiagente de quatro perfis coordenado por um quadro Kanban compartilhado, um bot autônomo de GitHub Actions no OpenCode, uso do computador em Linux e macOS, e mais.

Receitas do Muse Code

Fan-out de agentes — divida um trabalho grande entre subagentes em worktrees isolados; skills integradas — entra uma ideia bruta, sai uma funcionalidade testada sob pressão e validada; rastreamento de objetivo — mantenha o agente focado até ele mesclar o que você pediu.