Guia rápido

Coloque o Muse Code para rodar em minutos.

O Muse Code já está disponível oficialmente para macOS e Linux, e roda no Windows via WSL2. 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 (via WSL2)

Não existe build nativo para Windows — o instalador é compatível com macOS e Linux. No Windows 10 ou 11, execute wsl --install em um PowerShell de administrador para configurar o WSL2 com Ubuntu, abra o shell do Linux e rode lá o mesmo instalador de uma linha. Mantenha seus repositórios no sistema de arquivos do Linux (por exemplo, ~/code) e não em /mnt/c: 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 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.

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-spark-1.3 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
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

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.

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 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|{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-1.3", messages=[{"role": "user", "content": "Hello, world!"}], )

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.