Guia rápido

Coloque o Muse Code para rodar em minutos.

O Muse Code está em beta para macOS e Linux. 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.

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. Acesso e cobrança passam 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 defina-a como MODEL_API_KEY.

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.

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.

Event log

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.

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
/modelTroca o modelo por trás — p. ex. para o muse-spark-1.2 com o preço padrão da Model API
/effortAumenta ou reduz o raciocínio — tokens de pensamento são cobrados como saída, então reserve o raciocínio profundo para as tarefas difíceis
muse replayPercorre o event log de uma sessão passo a passo; os traces completos podem ser exportados para repasse ou auditoria

Muse Spark 1.2

O Muse Spark 1.2 é uma atualização do Muse Spark 1.1 focada em programação, com melhorias em geração de código, depuração complexa, compreensão de bases de código e fluxos de desenvolvimento de ponta a ponta — o poder computacional de treino em tarefas de código foi ampliado de forma significativa, ao mesmo tempo em que a diversidade de ambientes cresceu. Três coisas o distinguem:

Treinado junto com o Muse Code
Treinado com o próprio harness — trajetórias do harness filtradas por rejection sampling, otimizações de receita para objetivos, compactação e subagentes, e integração do conjunto de ferramentas do Muse Code — para melhor uso de ferramentas, menos tentativas repetidas e uma saída de mais qualidade do que a de um wrapper genérico.
Horizonte longo
Treinado a fundo em programação de horizonte longo: geração de repositórios inteiros, grandes projetos de ponta a ponta e pesquisa automática. Ele planeja para sequenciar o trabalho, usa condicionamento por objetivo para manter a direção e compacta o contexto para sustentar o avanço.
Autoaperfeiçoamento
O Muse Spark 1.1 gerou ambientes de programação desafiadores e modelos de seguimento de instruções, e depois avaliou as soluções candidatas — um loop de treino escalável que faz o 1.2 seguir instruções complexas com mais precisão do que o antecessor.

Benchmarks (com Muse Code): Terminal-Bench 2.1 · 82,9% — DeepSWE 1.1 · 59,3%. A metodologia completa está no relatório de avaliação da Meta em research.meta.ai.

Estudo de caso: otimização de kernels

A Meta testou a capacidade do modelo 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 1.2 chega no Muse Code, na Meta Model API e no OpenRouter, com acesso global ampliado. 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|{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

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.