一个 API，通吃所有 harness：Model API 的生态打法
Meta 把它的编程模型送到了开发者已经在的每一个地方——OpenAI SDK、Anthropic SDK、竞争对手的 agent CLI，甚至 OpenRouter。兼容性优先，就是它的分发策略。
三个值，就能接入
把几乎任何工具接到 Muse Spark 上，都只需要同样的三个值：base URL https://api.meta.ai/v1、你的 MODEL_API_KEY，以及一个模型 ID，比如 muse-spark-1.2。这之所以行得通，是因为这个 API 说的是整个生态早已标准化的格式：OpenAI 风格的 chat completions 和 responses，外加一个 Anthropic 格式的 Messages 端点，供按那套方式构建的 harness 使用。SDK 不用换，代码不用改，只改一个 URL。
连竞争对手的 harness 也不例外
这份兼容清单话里有话：OpenCode、LangChain、LlamaIndex、Vercel AI SDK、Continue——还有 Claude Code，Anthropic 自家的 agent，它通过 Messages API 接入。Meta 很乐意在对手的 harness 里供应 token。有些 agent 甚至完全跳过配置：像 OpenCode、Goose 和 Roo 这类可自配置的 CLI，接受你直接粘贴一段 provider 描述——base URL、模型 ID、上下文窗口、支持的特性——然后自己把自己接好。
这背后的战略意图并不含蓄。每一个现存的编程工具都变成了 Muse Spark token 的分发渠道，而卖点是零切换成本。分发还不止于 Meta 自家门口：Muse Spark 1.2 也通过 OpenRouter 提供，在那些聚合多家 provider 的开发者已经在逛的地方与他们相遇。
那 Muse Code 为什么还要存在？
如果任何 harness 都能跑这个模型，为什么还要自己造一个？因为兼容性给你的是能用（function），不是合身（fit）。Muse Spark 1.2 是专门与 Muse Code 联合训练的——它的训练涵盖了这个 harness 的工具集、它的 subagent 编排、它的目标与压缩（compaction）配方。一个通用外壳得到的是一个非常好的模型；Muse Code 得到的是一个早已排练过它运行时会调用的那些具体套路的模型——持久后台 agent、worktree 扇出、事件日志。开放 API 是宽阔的漏斗口；原生 agent 是深水区。
一条务实的采用路径
这套双层策略本身就暗示了迁移方案。第一天：把你现有的设置——不管是什么——指向 Model API，在你的真实工作上评估这个模型，零风险。如果模型证明了自己的价值，再把 Muse Code 用在 harness 契合度会持续复利的工作流上：长时程任务、并行的多部分作业、以及你之后想要审计的工作。Cookbook 覆盖了这两层，而 tier 指南讲清了一旦你决定投入，token 要花多少钱。