Быстрый старт

Запустите Muse Code за считанные минуты.

Muse Code доступен в бета-версии для macOS и Linux. Он берёт на себя сложные инженерные задачи в больших репозиториях — планирует изменения, пишет код и проверяет результаты — полностью из вашего терминала.

1. Установка

CLI устанавливается одной командой:

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

Скрипт помещает бинарный файл muse в ваш PATH — проверьте командой muse --version. Хотите сначала изучить скрипт? Скачайте его с флагом -o install.sh, просмотрите и только потом запускайте.

2. Аутентификация

При первом запуске откроется браузер для входа на dev.meta.ai с вашей учётной записью разработчика Meta. Учётные данные кешируются локально — повторная аутентификация в каждой сессии не нужна. Доступ и оплата идут через Meta Model API.

Неинтерактивные запуски. Для CI, скриптов и headless-машин используйте API-ключ вместо браузерного входа: создайте его в панели Model API (API keys → Create API key) и задайте как MODEL_API_KEY.

3. Запустите первую задачу

После аутентификации можно начинать в любом каталоге с вашими проектами:

$ cd my-repo$ muse

Опишите нужный результат обычным языком. Хорошая первая задача — маленькая и проверяемая: «добавь недостающий тест для parseDate и убедись, что он проходит» — вы увидите, как исполнитель готовит черновик изменения, рецензент его критикует, а тест запускается.

Два рычага управления расходами, которые стоит знать с первого дня. Muse Spark — рассуждающая модель: она думает перед ответом, и эти токены тарифицируются как выходные, поэтому /effort регулирует глубину рассуждений для каждой задачи. А тон, формат и другие постоянные правила можно вынести в системное сообщение, чтобы не повторять их в каждом промпте.

Асинхронные фоновые агенты

Muse Code работает на простом агентном цикле, дополненном набором асинхронных фоновых агентов, которые расширяют возможности основного агента. Эти специализированные агенты остаются активными на протяжении всей сессии, а не создаются под каждую задачу, что избавляет от повторного сбора информации. Они самостоятельно выполняют следующие шаги и сами решают, когда выйти на связь с основным агентом — такое постоянство снижает задержки и потребность в ручном управлении на сложных многошаговых задачах.

Разветвление агентов и git worktree

Когда работа распадается на несколько задач, они автоматически разветвляются между отдельными агентами: родитель порождает по дочернему агенту с правом записи на каждую задачу, и каждый дочерний агент получает собственный git worktree — параллельные агенты никогда не сталкиваются на одних и тех же файлах, а ваша рабочая копия остаётся чистой.

Журнал событий

Muse Code ведёт локальный журнал событий, в который добавляется каждый вызов модели, запуск инструмента, подтверждение и правка. Этот единый источник истины делает среду выполнения точно воспроизводимой и устойчивой к перезапускам: после сбоя агент продолжает ровно с того места, где остановился, и потому справляется с длительными задачами, не сбиваясь из-за отказов. Каждое порождение, перенаправление и отмена субагента наблюдаемы — muse replay пошагово проигрывает сессию, а полные трассы экспортируются для передачи дел или аудита.

Встроенные навыки и команды

Muse Code поставляется с несколькими навыками по умолчанию — закидываете сырую идею, получаете придирчиво проверенную и выверенную функциональность:

/planПревращает задачу в план, требующий утверждения, прежде чем менять код

/grillПодвергает план стресс-проверке, пока тот не выдержит

/goalВедёт работу до успешного достижения заданной цели — в merge попадает именно то, что вы хотели изначально

/modelПереключает базовую модель — например, на muse-spark-1.2 по стандартным ценам Model API

/effortРегулирует глубину рассуждений — токены размышлений тарифицируются как выходные, так что приберегите глубокие рассуждения для трудных задач

muse replayПошагово проигрывает журнал событий сессии; полные трассы экспортируются для передачи дел или аудита

Muse Spark 1.2

Muse Spark 1.2 — ориентированное на программирование обновление Muse Spark 1.1 с улучшениями в генерации кода, сложной отладке, понимании кодовых баз и сквозных рабочих процессах разработчика: вычислительные ресурсы обучения на задачах кодинга существенно нарастили, одновременно расширив разнообразие сред. Три отличительные черты:

Совместное обучение с Muse Code

Модель обучена вместе с самим harness — отобранные через rejection sampling траектории harness, оптимизация обучающих рецептов для целей, уплотнения контекста и субагентов, а также интеграция набора инструментов Muse Code — отсюда более умелое использование инструментов, меньше повторных попыток и более качественный результат, чем у универсальной обёртки.

Длинный горизонт

Модель интенсивно обучалась на долгих кодинг-задачах: генерации целых репозиториев, крупных сквозных проектах и автоматических исследованиях. Она планирует последовательность работ, удерживает направление за счёт целевого обусловливания и уплотняет контекст, чтобы сохранять темп.

Самосовершенствование

Muse Spark 1.1 генерировала сложные кодинг-среды и шаблоны следования инструкциям, а затем оценивала кандидатные решения — масштабируемый обучающий цикл, благодаря которому 1.2 выполняет сложные инструкции точнее предшественницы.

Бенчмарки (с Muse Code): Terminal-Bench 2.1 · 82,9 % — DeepSWE 1.1 · 59,3 %. Полная методология — в оценочном отчёте Meta на research.meta.ai.

Кейс: оптимизация ядер

Meta проверила, как модель итеративно оптимизирует GPU-ядра на дистанции более 1 000 вызовов инструментов — до 24 часов. В агентной среде Muse Code модель пишет, компилирует, профилирует и постепенно повышает производительность ядра относительно эталона; замеры делались на ядрах KDA и MLA для GPU NVIDIA Hopper. Оборачивать сторонние библиотеки ядер было запрещено, поэтому она реализовала алгоритмы напрямую на Triton — и продолжала находить существенные улучшения относительно эталона.

Meta Model API

Модели, стоящие за Muse Code, доступны и напрямую — Muse Spark 1.2 выходит в Muse Code, в Meta Model API и на OpenRouter с расширенным глобальным доступом. API совместим без переделок с OpenAI SDK, Anthropic SDK и агентными CLI вроде OpenCode и Claude Code: направьте клиент на нужный base URL — остальной код менять не придётся. Контекстное окно — 1 048 576 токенов.

# 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

Рецепты, которые работают с первого копирования — каждый решает одну конкретную задачу, показывает работающий код и подсказывает, что дальше. Три раздела плюс рецепты по ключевым паттернам Muse Code.Смотреть все 28 рецептов →

Основы API · 10 рецептов

Убедитесь, что каждый примитив работает: chat completions, стриминг, вызов инструментов, структурированный вывод, кеширование промптов, токены рассуждений, визуальный ввод, длинный контекст, обработка ошибок и поисковый grounding со встроенными цитатами.

Паттерны агентов · 5 рецептов

Циклы, превращающие модель в агента: цикл «восприятие — решение — действие», чередование рассуждений с вызовами инструментов, управление контекстом в многоходовом диалоге и проверяемые правки на месте.

Сценарии применения · 13 рецептов

От начала до конца: веб-дизайн и разработка игр с проверкой в браузере, мультиагентная продуктовая студия из четырёх ролей с координацией через общую канбан-доску, автономный бот GitHub Actions на OpenCode, управление компьютером в Linux и macOS и многое другое.

Рецепты Muse Code

Разветвление агентов — разделите большую работу между субагентами в изолированных worktree; встроенные навыки — сырая идея на входе, придирчиво проверенная функциональность на выходе; отслеживание цели — агент держится задачи, пока не смержит именно то, что вы хотели.