Tutorial Muse Code: AI Agent Terminal dari Meta untuk Large Codebases

Meta baru saja merilis Muse Code, sebuah terminal coding agent yang didesain untuk menangani tugas software engineering kompleks di repository besar. Berbeda dengan AI coding assistant biasa, Muse Code hadir dengan async background agents, runtime yang restart-safe, serta serangkaian skill bawaan yang membuatnya mampu bekerja secara mandiri selama berjam-jam. Dalam tutorial ini, kita akan membahas cara instalasi, perintah utama, dan pola kerja praktis yang bisa langsung kamu terapkan.

Gambar: Meta AI Research Blog

Apa itu Muse Code?

Muse Code adalah agent berbasis terminal yang digerakkan oleh Muse Spark 1.2, model coding terbaru dari Meta. Agent ini dirancang untuk tugas multi-langkah seperti perencanaan perubahan, penulisan kode, dan validasi hasil. Salah satu keunggulan utamanya adalah kemampuan mengkoordinasikan subagents yang persisten untuk setiap tugas, sehingga masalah kompleks bisa diselesaikan lebih cepat dengan intervensi minimal dari developer.

Langkah 1: Instalasi di macOS dan Linux

Muse Code saat ini tersedia untuk macOS dan Linux. Instalasinya sangat sederhana dan hanya memerlukan satu baris perintah:

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

Setelah instalasi selesai, pastikan binary Muse Code sudah ada di PATH. Kamu bisa memverifikasi dengan menjalankan:

muse --version

Jika output menampilkan versi terbaru, artinya Muse Code siap digunakan. Untuk pengguna Linux, disarankan menggunakan distribusi dengan glibc terbaru agar runtime berjalan optimal.

Langkah 2: Memahami Skill Bawaan

Muse Code hadir dengan beberapa bundled skills yang bisa langsung dipakai. Tiga perintah utama yang perlu kamu kuasai adalah:

• /plan : Mengubah deskripsi tugas menjadi rencana langkah demi langkah yang bisa kamu setujui sebelum dieksekusi. Ini berguna untuk mencegah agent melakukan perubahan besar tanpa persetujuan.

• /grill : Melakukan stress-test terhadap rencana yang sudah dibuat. Agent akan mencari celah, edge case, dan potensi bug sampai rencana benar-benar solid.

• /goal : Menjalankan agent menuju penyelesaian objektif yang ditentukan. Perintah ini memicu agent loop lengkap dengan background agents aktif.

Langkah 3: Memanfaatkan Async Background Agents

Fitur paling menarik dari Muse Code adalah async background agents. Agent-agent ini tetap aktif sepanjang sesi, bukan dibangkitkan per tugas. Mereka mengumpulkan informasi di latar belakang, menyiapkan langkah berikutnya, dan memutuskan kapan harus berkomunikasi kembali ke agent utama.

Pola ini mengurangi latensi secara signifikan. Bayangkan kamu menyuruh Muse Code untuk melakukan refactoring besar di codebase Django. Sementara agent utama menulis kode, background agents bisa mencari referensi model, memeriksa dependensi, atau membaca dokumentasi tanpa mengganggu alur kerja utama. Hasilnya: tugas selesai lebih cepat dengan intervensi manual yang jauh lebih sedikit.

Langkah 4: Memahami Runtime Design

Muse Code menggunakan local event log sebagai sumber kebenaran tunggal. Setiap panggilan model, eksekusi tool, persetujuan user, dan edit file dicatat secara berurutan. Desain ini membuat runtime replay-exact dan restart-safe.

Artinya, jika proses agent crash di tengah tugas yang berjalan 6 jam, Muse Code bisa melanjutkan persis dari titik terakhir tanpa kehilangan konteks. Kemampuan ini sangat penting untuk long-running tasks seperti migrasi database, upgrade dependency mayor, atau optimasi kernel GPU yang bisa memakan waktu hingga 24 jam.

Langkah 5: Kasus Praktis Membuat Halaman Marketing

Meta mencontohkan kasus di mana user memberikan file video fly-through rumah berformat MP4 ke terminal. Muse Code membaca video tersebut, memahami konten visualnya, lalu memproduksi halaman marketing dan booking untuk vacation home yang kaya akan visual.

Untuk mencoba pola serupa, siapkan direktori proyek dengan asset yang ingin kamu olah. Jalankan:

muse /goal "Buatkan landing page marketing berdasarkan gambar di folder assets/"

Agent akan merencanakan struktur HTML/CSS, menulis kode, lalu meminta persetujuan sebelum menerapkan perubahan besar. Selama proses, kamu bisa melihat aktivitas background agents di panel log.

Langkah 6: Memahami Muse Spark 1.2 dan Co-Training

Muse Code tidak bekerja sendiri. Ia dipasangkan dengan Muse Spark 1.2, model coding terbaru dari Meta yang mengalami peningkatan signifikan di code generation, complex debugging, codebase understanding, dan end-to-end developer workflows. Meta secara eksplisit melakukan co-training antara Muse Spark 1.2 dan Muse Code untuk memastikan model menunjukkan performa terbaik ketika dipasangkan dengan harness ini.

Co-training mencakup rejection sampled harness trajectories dan optimasi resep untuk goals, compaction, dan subagents. Muse Spark 1.2 juga dilatih secara intensif pada tugas coding long-horizon, termasuk whole-repository generation, large end-to-end projects, dan auto-research. Model ini menggunakan planning untuk menyusun urutan kerja, goal conditioning untuk menjaga arah, dan context compaction untuk mempertahankan pengetahuan yang dibutuhkan.

Self-improvement juga menjadi bagian dari training. Meta menggunakan Muse Spark 1.1 untuk menghasilkan coding environment yang menantang dan template instruction-following. Model kemudian menilai kandidat solusi berdasarkan seberapa baik mereka memenuhi persyaratan, menghasilkan dataset training yang scalable. Loop self-improvement ini membantu Muse Spark 1.2 mengikuti instruksi kompleks lebih presisi daripada pendahulunya.

Langkah 7: Optimasi Kernel GPU sebagai Benchmark

Salah satu demonstrasi kemampuan Muse Code yang paling mengesankan adalah optimasi kernel GPU. Meta menguji model untuk mengoptimalkan GPU kernel secara iteratif selama 1000+ tool calls (hingga 24 jam). Muse Code menulis, mengompilasi, memprofil, dan meningkatkan performa kernel secara progresif relatif terhadap baseline implementation.

Benchmark dilakukan pada KDA dan MLA kernels untuk NVIDIA Hopper GPUs. Agent melanjutkan pencapaian improvement substansial atas baseline yang diberikan. Baseline yang digunakan adalah FLA Triton implementation of KDA, dengan constraint bahwa model dilarang mengimpor library kernel pihak ketiga secara langsung. Sebaliknya, mereka harus menerapkan pengetahuan optimasi kernel spesialisasi untuk mengimplementasikan algoritma di Triton.

Bagi developer yang mengerjakan high-performance computing atau CUDA programming, ini menunjukkan bahwa Muse Code tidak hanya untuk web development. Ia mampu menangani tugas systems programming yang memerlukan pengetahuan domain mendalam.

Kapan Harus Menggunakan Muse Code?

Muse Code paling berharga ketika kamu menghadapi tugas dengan ciri berikut:

• Codebase besar dengan banyak modul yang saling terkait

• Tugas memerlukan perencanaan multi-langkah dan validasi berulang

• Durasi pengerjaan diperkirakan lebih dari 1 jam

• Kamu memerlukan subagents spesialis untuk area berbeda (frontend, backend, devops)

Untuk skrip cepat atau edit file tunggal, editor AI biasa seperti Cursor atau Zed mungkin tetap lebih praktis. Tapi begitu tugas meluas ke banyak file dan banyak langkah, Muse Code menunjukkan keunggulan signifikan.

Kesimpulan

Muse Code membawa paradigma baru dalam vibe coding: agent yang tidak hanya menulis kode, tapi juga merencanakan, mengvalidasi, dan mengkoordinasikan pekerjaannya sendiri. Dengan background agents yang persisten, runtime yang restart-safe, dan skill bawaan seperti /plan serta /grill, tool ini layak jadi andalan untuk project kompleks.

Muse Spark 1.2 juga tersedia di Meta Model API dengan akses global yang diperluas. Kamu bisa mulai mencoba Muse Code hari ini melalui dev.meta.ai dan eksplorasi dokumentasi resmi di blog research Meta.

Artikel ini ditulis berdasarkan pengumuman resmi Meta. Muse Code masih dalam tahap beta dan fitur serta cara instalasi dapat berubah sewaktu-waktu.