快速上手

几分钟内让 Muse Code 跑起来。

Muse Code 目前为 macOS 和 Linux 提供 Beta。它能承担大型仓库中的复杂软件工程任务 —— 规划变更、编写代码、验证结果 —— 全部在你的终端里完成。

1. 安装

一条命令装好 CLI：

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

脚本会把 muse 二进制放进 PATH —— 用 muse --version 验证。想先审查脚本？用 -o install.sh 下载、审计后再运行。

2. 认证

首次运行会打开浏览器，在 dev.meta.ai 用 Meta 开发者账号认证。凭据本地缓存 —— 之后的会话无需重新认证。访问与计费都走 Meta Model API。

非交互运行。 CI、脚本和无头机器请用 API key 代替浏览器流程：在 Model API 控制台创建（API keys → Create API key），设为环境变量 MODEL_API_KEY。

3. 运行第一个任务

认证完成后，进任何项目目录就能开工：

$ cd my-repo$ muse

用自然语言描述你想要的结果。好的第一个任务是小且可验证的 —— “给 parseDate 补上缺失的测试并确保通过” —— 你会看到执行者起草改动、审查者提出批评、测试跑起来。

从第一天就值得了解的两个成本开关：Muse Spark 是推理模型 —— 回答前会思考，思考 token 按输出计费 —— /effort 可以按任务调高或调低思考量。你的语气、格式等常规要求可以放进 system message，不用每条提示词都重复。

异步后台代理

Muse Code 用一个简单的代理循环加一组异步后台代理来增强主代理的能力。这些专职代理在整个会话中保持活跃，而不是每个任务临时创建，避免了重复收集信息。它们自主执行后续步骤，并自行决定何时向主代理汇报 —— 这种常驻性降低了延迟，也减少了困难多步任务中的人工干预。

代理扇出与 git worktree

当一个工作拆成多个任务时，它们会自动扇出给独立的代理：父代理为每个任务生成一个可写子代理，每个子代理有自己的 git worktree —— 并行的子代理永远不会在同一批文件上冲突，你的工作副本始终干净。

事件日志

Muse Code 使用本地事件日志，每次模型调用、工具运行、审批和编辑都会追加进去。这个单一事实来源让运行时可以精确回放、安全重启：崩溃后代理会从停下的地方精确恢复，长时任务不会被故障打断。每次子代理的创建、引导和取消都可观测 —— muse replay 逐步回放会话，完整轨迹可导出用于交接或审计。

内置技能与命令

Muse Code 自带多个默认技能 —— 丢进去一个粗糙想法，拿出来一个反复拷问、验证过的功能：

/plan在改任何代码前，先把任务变成需要审批的计划

/grill对计划持续施压测试，直到它站得住

/goal朝指定目标持续推进 —— 最初想要的才是最终合并的

/model切换底层模型 —— 例如切到标准 Model API 价格的 muse-spark-1.2

/effort调高或调低推理量 —— 思考 token 按输出计费，深度推理留给难任务

muse replay逐步回放会话的事件日志；完整轨迹可导出用于交接或审计

Muse Spark 1.2

Muse Spark 1.2 是 Muse Spark 1.1 面向编码的更新版本，在代码生成、复杂调试、代码库理解和端到端开发工作流上均有提升 —— 编码任务的训练算力大幅扩容，同时扩展了环境多样性。三个突出特点：

与 Muse Code 联合训练

与执行框架本身共同训练 —— 拒绝采样的框架轨迹、面向目标/压缩/子代理的配方优化、Muse Code 工具集的深度集成 —— 带来更好的工具调用、更少的重试、比通用封装更高质量的输出。

长程任务

在长程编码上深度训练：整仓库生成、大型端到端项目、自动研究。它规划工作顺序、用目标条件化保持方向、压缩上下文维持推进。

自我改进

Muse Spark 1.1 生成高难度编码环境和指令遵循模板，再给候选解打分 —— 这个可扩展的训练循环让 1.2 遵循复杂指令比前代更精确。

基准成绩（配合 Muse Code）：Terminal-Bench 2.1 · 82.9% — DeepSWE 1.1 · 59.3%。完整方法见 research.meta.ai 的评估报告。

案例研究：内核优化

Meta 测试了模型在 1,000+ 次工具调用（最长 24 小时）中迭代优化 GPU 内核的能力。在 Muse Code 的代理环境里，模型编写、编译、性能分析并持续改进内核性能，以 NVIDIA Hopper GPU 的 KDA 和 MLA 内核为基准。在禁止封装第三方内核库的前提下，它直接用 Triton 实现了算法 —— 并持续找到对基线的大幅改进。

Meta Model API

Muse Code 背后的模型也可直接使用 —— Muse Spark 1.2 同时上线 Muse Code、Meta Model API 和 OpenRouter，并扩大了全球开放范围。API 与 OpenAI SDK、Anthropic SDK 以及 OpenCode、Claude Code 等代理 CLI 即插即用：把客户端指向新的 base URL，其余代码不用动。上下文窗口为 1,048,576 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-1.2", messages=[{"role": "user", "content": "Hello, world!"}], )

实战手册

复制即可运行的配方 —— 每个配方解决一个聚焦的问题、给出可运行的代码、指向下一步。三大板块，外加 Muse Code 核心模式的专属配方。浏览全部 28 个配方 →

API 基础 · 10 个配方

验证每个 API 原语：对话补全、流式输出、工具调用、结构化输出、提示缓存、推理 token、视觉输入、长上下文、错误处理，以及带内联引用的搜索接地。

代理模式 · 5 个配方

把模型变成代理的那些循环：感知-决策-行动循环、推理与工具调用交错、多轮上下文管理、带验证的原地编辑。

应用场景 · 13 个配方

端到端：浏览器验证的网页设计与游戏开发、通过共享看板协作的四角色多代理产品工作室、OpenCode 上的自主 GitHub Actions 机器人、Linux 和 macOS 的计算机操作等。

Muse Code 配方

代理扇出 —— 把大任务拆给隔离 worktree 中的子代理；内置技能 —— 粗糙想法进、验证过的功能出；目标跟踪 —— 让代理紧盯目标直到合并你想要的东西。