快速上手

幾分鐘內就能讓 Muse Code 跑起來。

Muse Code 已在 macOS 與 Linux 上正式推出，Windows 則可透過 WSL2 執行。它能在大型儲存庫中承接複雜的軟體工程任務 —— 規劃變更、撰寫程式碼、驗證結果 —— 全部在你的終端機裡完成。

1. 安裝

一行指令就能裝好 CLI：

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

指令碼會把 muse 執行檔放進 PATH —— 用 muse --version 驗證。想先檢視指令碼內容？用 -o install.sh 下載、審閱後再執行。

Windows（WSL2）

目前沒有原生的 Windows 版本 —— 安裝程式支援的是 macOS 與 Linux。在 Windows 10 或 11 上，請以系統管理員身分開啟 PowerShell 執行 wsl --install，安裝 WSL2 與 Ubuntu；接著開啟 Linux shell，在裡面執行同一行安裝指令。儲存庫請放在 Linux 檔案系統中（例如 ~/code），不要放在 /mnt/c 底下：跨越檔案系統邊界存取檔案會慢上許多。

2. 驗證身分

第一次執行會開啟瀏覽器，在 dev.meta.ai 以 Meta 開發者帳號完成驗證。憑證會快取在本機 —— 之後的工作階段不必重新驗證。用量會計入你的月費方案；若採用隨用隨付，則透過 Meta Model API 計費。

非互動式執行。 在 CI、指令碼與 headless 機器上，請改用 API key 取代瀏覽器流程：到 Model API 儀表板建立（API keys → Create API key），並設定為環境變數 MODEL_API_KEY。

3. 執行你的第一個任務

完成驗證後，到任何專案目錄都能直接開工：

$ cd my-repo$ muse

用白話描述你想要的結果。好的第一個任務要小而可驗證 —— 「幫 parseDate 補上缺少的測試並確認通過」—— 你會看到 worker 草擬修改、reviewer 提出批評，測試實際跑起來。

有兩個成本開關值得從第一天就認識：Muse Spark 是推理模型 —— 回答前會先思考，思考的 token 以輸出計費 —— 用 /effort 可以針對每個任務調高或調低思考量。另外，語氣、格式等固定規則可以放進 system message，不必每次提示都重複一遍。

非同步背景代理

Muse Code 以一個簡單的代理迴圈，搭配一組強化主代理能力的非同步背景代理來運作。這些專責代理在整個工作階段持續存活，而不是每個任務才臨時產生，避免了重複蒐集資訊。它們會自主推進後續步驟，並自行決定何時回報主代理 —— 這種常駐特性降低了延遲，也減少困難多步驟任務所需的人為介入。

代理扇出與 git worktree

當一項工作拆成多個任務時，它們會自動扇出給各自獨立的代理：父代理為每個任務產生一個具寫入權限的子代理，每個子代理擁有自己的 git worktree —— 平行執行的子代理絕不會在同一批檔案上互相衝突，你的工作副本也始終保持乾淨。

工作流程（Workflows）

Workflows 隨著 Muse Code 結束 Beta 一併推出，負責統籌一組專責代理，合力完成規模更大的工作：每個階段把中間成果交給下一個階段，最後你只會拿到一份結果。只要請 Muse Code「用工作流程來做」就能啟動；把 effort 設為 ultra 也可能自動觸發。/workflows 會即時顯示每一次執行，可以在那裡停止、重新啟動或取消；儲存下來的工作流程也能重複使用。

工作階段間通訊

在同一台機器上執行的工作階段，可以透過本機 Unix socket 互相傳送訊息。某個工作階段的變更會影響另一個工作階段正在建構的東西時，它會把警告傳過去；某個工作階段解決了另一個工作階段卡住的問題時，它會直接送出答案 —— 不必在終端機之間重打一遍。代理透過兩個內建工具找到其他工作階段並傳送訊息。

事件日誌與回溯

Muse Code 使用本機事件日誌，每一次模型呼叫、工具執行、核准與編輯都會附加進去。這個單一事實來源讓執行期可以精確重播、安全重啟：當機後，代理會從停下的地方精準續跑，長時間任務不會被故障打亂。每一次子代理的產生、引導與取消都可觀測 —— muse replay 能逐步重播工作階段，完整軌跡也可匯出供交接或稽核使用。連按兩次 Esc 可把對話回溯到較早的時間點；Muse Code 只會提供事件日誌標記為安全的回溯點。

內建技能與指令

Muse Code 內建多個預設技能 —— 丟進一個粗略的想法，就能拿到一個被反覆拷問、驗證到位的功能：

/plan在動任何程式碼之前，先把任務轉成需要核准的計畫
/grill對計畫持續進行壓力測試，直到它站得住腳
/goal朝指定目標持續推進 —— 你最初想要的，才是最後合併進去的
/workflows即時列出工作流程的執行 —— 可停止、重新啟動或取消其中任何一個
/model切換底層模型 —— 例如換成以標準 Model API 價格計費的 muse-spark-1.3
/effort調高或調低推理量 —— 思考 token 以輸出計費，深度推理留給難題
Esc Esc把對話回溯到事件日誌中的某個安全點
muse replay逐步重播工作階段的事件日誌；完整軌跡可匯出供交接或稽核使用

Muse Spark 1.3

Muse Spark 1.3 於 2026 年 9 月 2 日發布，是 Muse Code 背後的模型。它保留了讓 1.2 脫穎而出的訓練配方 —— 與 Muse Code 執行框架共同訓練、大量的長程任務，以及自我改進迴圈 —— 並聚焦於實際情境中的好用程度。價格與 1.2 相同。三個突出之處：

更長的對話串
在單一對話串中跨多個工作流程，維持更長程的工作，並把上下文從一個階段帶到下一個階段。
主動發問，不靠猜測
協作更主動：會提出釐清問題、卡關時會主動說出來，對自身能力極限的判斷也更準確，而不是回報其實沒達成的結果。
執行更精簡
在 Meta 工程師的比較中，完成同樣的程式開發工作，它比 1.2 少用約 20% 的工具呼叫、少用 25% 的 token —— 每個 token 價格不變，帳單自然更低。

基準測試（最高推理設定，依 Meta 公布）：DeepSWE 1.1 · 75.4% — Terminal-Bench 2.1 · 88.8% — SWEAtlas CodeBase QnA · 59.4%。發布時最高設定仍在進行安全測試；多數開發者實際拿到的設定分數會更低。方法說明見 research.meta.ai。

案例研究：kernel 最佳化

Meta 測試了 Muse Spark 1.2 在 1,000 次以上工具呼叫（最長 24 小時）中反覆最佳化 GPU kernel 的能力。在 Muse Code 的代理環境裡，模型撰寫、編譯、剖析並逐步提升 kernel 效能，以 NVIDIA Hopper GPU 的 KDA 與 MLA kernel 為基準。在禁止包裝第三方 kernel 函式庫的前提下，它直接以 Triton 實作演算法 —— 而且持續找出遠優於基準線的改進。

Meta Model API

Muse Code 背後的模型也能直接取用 —— Muse Spark 1.3 已在 Muse Code、Meta Model API、OpenRouter 與 Cursor 上線。API 與 OpenAI SDK、Anthropic SDK，以及 OpenCode、Claude Code 等代理 CLI 隨插即用：把用戶端指向新的 base URL，其餘程式碼原封不動。上下文視窗為 1,048,576 個 token。

# 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!"}], )

Muse Code SDK

自 Muse Code 結束 Beta 起，SDK 便以開發者預覽版推出，讓團隊在 Muse Session Protocol (MSP) 上打造自己的代理。MSP 是透過標準輸入輸出運作的開放協定，不需要伺服器、也不經過網路，所有資料都留在你的機器上。TypeScript 函式庫涵蓋工作階段、工具與權限控管；MSP 提供機器可讀的 schema，可據以產生其他程式語言的用戶端。原始碼：github.com/meta-models/muse-code-sdk。

Cookbook

複製下來第一次就能跑的範例 —— 每一份都解決一個聚焦的問題、附上能動的程式碼，並指出下一步。共三大區塊，外加 Muse Code 核心模式的專屬範例。瀏覽全部 28 份範例 →

API 基礎 · 10 份範例
逐一驗證每個基本功能：chat completions、串流、工具呼叫、結構化輸出、prompt caching、推理 token、視覺輸入、長上下文、錯誤處理，以及附行內引用的 search grounding。
代理模式 · 5 份範例
把模型變成代理的那些迴圈：感知-決策-行動迴圈、推理與工具呼叫交錯進行、多輪上下文管理，以及附驗證的原地編輯。
應用實例 · 13 份範例
端對端：以瀏覽器驗證的網頁設計與遊戲開發、透過共享看板協調的四角色多代理產品工作室、跑在 OpenCode 上的自主 GitHub Actions 機器人、Linux 與 macOS 的電腦操作等。
Muse Code 範例
代理扇出 —— 把一件大工作拆給隔離 worktree 裡的子代理；內建技能 —— 丟進粗略想法、拿出驗證到位的功能；目標追蹤 —— 讓代理緊盯任務，直到合併你想要的成果。