Meta正式发布Muse Code：首个终端原生AI编程智能体

Muse Code：Meta首款终端级AI编程智能体 Meta近日正式推出Muse Code测试版——一款深度集成于终端环境的AI编码智能体，由全新升级的Muse Spark 1.2模型驱动。它不依赖图形界面或云端IDE插件，而是直接在macOS与Linux终端中运行，用户仅需一条命令即可完成安装与启动。 真正面向工程实践的设计 Muse Code并非简单地响应单行指令，而是能承接完整的软件工程任务：从理解大型多模块代码库、制定修改计划，到编写代码、运行测试套件、验证结果并自动迭代修复。整个过程无需人工逐行干预，主智能体协同多个长期驻留的后台子智能体协同工作——这些子智能体持续运行、自主收集上下文、执行工具链操作，并在关键节点向主智能体反馈，显著降低重复感知开销与人工引导依赖。 两大核心能力：可重放的运行时 + 内置工程化技能 第一是运行时设计。Muse Code采用本地事件日志作为唯一可信数据源，完整记录模型调用、工具执行、人工审批、文件变更等每一步操作。该日志支持精确重放与断点续跑——即使进程崩溃或终端意外关闭，也能从中断处无缝恢复，保障长周期任务（如跨仓库重构、全量测试验证）的鲁棒性与确定性。 第二是开箱即用的工程技能。系统预置三类语义化指令：「/plan」生成结构化执行方案并等待确认；「/grill」对方案进行多轮压力推演与边界测试，直至逻辑自洽、风险可控；「/goal」则锁定目标，在动态反馈中持续推进，直至达成成功状态。 Muse Spark 1.2：为智能体而生的编程模型 Muse Spark 1.2不是通用大模型的简单微调版本，而是专为AI编程智能体场景深度优化的新一代模型。其训练策略围绕三大支柱展开： 一是与Muse Code协同训练。训练数据包含真实智能体运行轨迹，引入拒绝采样机制筛选高质量执行路径，并将Muse Code的工具调用规范、上下文压缩逻辑、子智能体协作协议等全部融入训练闭环，确保模型输出天然适配智能体框架。 二是强化长时程任务建模能力。模型经大规模端到端项目训练，涵盖完整代码库生成、跨语言模块集成、自动化研究实验等复杂场景。它通过显式规划调度任务流、以目标条件约束执行方向、利用上下文压缩保留关键状态，实现数十步以上连贯操作的稳定性。 三是构建自我进化闭环。团队使用上一代Muse Spark 1.1生成高难度编程环境与指令模板，再由模型自身评估候选解法对功能、安全、风格等维度的满足度，由此产出高质量、可扩展的训练样本。这一机制使Muse Spark 1.2在指令遵循精度、边界处理能力和工程语义理解上全面超越前代。 性能表现：贴近当前顶尖水平 在权威编程智能体评测基准Terminal-Bench 2.1中，Muse Spark 1.2仅次于Opus 5（max），位居第二；在覆盖91个真实开源仓库、113项多语言任务的DeepSWE 1.1上，表现紧随Opus 5（max）与GPT-5.6 Terra（max）；而在Meta内部440项拉取请求构成的Meta Internal Coding Bench中，同样稳居第二梯队首位。所有评测均基于真实开发流程与人工验证标准，反映其在工业级场景中的实际可用性。 面向开发者，而非概念演示 Muse Code从第一天起就定位为开发者日常工具：轻量部署、本地优先、日志可信、技能可验。它不追求炫技式交互，而聚焦于让工程师真正少敲一行无效代码、少查一次文档、少跑一次失败CI。当AI不再只是‘写代码的助手’，而是能独立承担工程闭环的‘协作者’，编程智能体才真正迈入实用阶段。Meta的这次下场，标志着AI编码正从辅助走向共治。