Muse Code 案例

2026 年 8 月 5 日，Meta Superintelligence Labs 发布终端 coding agent Muse Code（beta）及其底座模型 Muse Spark 1.2：一个装在终端里的单二进制程序 muse，规划改动、编辑文件、跑 shell 命令、自我验证——形态上与 Claude Code、Codex CLI 同属一代。9 月 1 日 Muse Code 随 SDK 开发者预览、会话间消息、工作流编排与订阅套餐一起转正，次日 Muse Spark 1.3 开始向 Muse Code 与 Meta Model API 推送（以上日期据 AQ 的逐月追踪与 GIGAZINE 的发布报道）。

在 harness 研究的视野里，Muse Code 的重要性不在"又一个终端 agent"，而在三件事：它是 Anthropic 之外少见的、公开承认"模型与 harness 联合训练"的案例；它把 append-only event log 做成会话的唯一事实源，是 event sourcing 思想在 agent 运行时里最彻底的一次产品化；它的双轨定价把"harness 轨迹是训练资产"写进了价格表。三件事指向同一个判断——harness 与模型的边界正在消融。

资料来源说明（先读这条）

Meta 官方博客（research.meta.ai）与开发者文档在本页写作环境中无法直接访问，本页所有关于官方设计与数字的陈述均来自多家独立第三方报道与评测的交叉转述——主要包括 GIGAZINE（对官方发布博客的逐段转述）、jacar.es 的深度评测（读取了安装脚本与产品页）、Codersera 的完全指南（声称对照已发布二进制核实）与 AQ 的月度追踪。这些来源彼此独立且关键事实一致，但与"逐字核对官方原文"仍有差距；凡涉及 Meta 未公开的细节（如模型架构），本文明确标注"未公开"。引用数字时请回查原始来源。

时间线速览

• 2026 年 8 月 5 日：Muse Code beta 与 Muse Spark 1.2 同步发布，macOS / Linux 终端可用，安装命令为一行 curl | bash（GIGAZINE、VentureBeat）。
• 2026 年 8 月 10 日：据报道扎克伯格宣布计划开源 Muse Spark 1.2 权重；截至 10 月权重仍未放出，应视为"已宣布、未交付"（Codersera）。
• 2026 年 9 月 1 日：正式转正（GA），同日发布 SDK 开发者预览（TypeScript）、同机会话间消息、子代理工作流编排与 $5/$15/$50 三档月度订阅（AQ）。
• 2026 年 9 月 2 日：Muse Spark 1.3 开始向 Muse Code 与 Model API 推送，官方口径为长程与 agentic 表现提升、同等工作约省 20% 工具调用与 25% token（AQ）。
• 2026 年 9 月 16 日：原生 Windows 版本发布，无需 WSL（jacar.es、AQ）。
• 2026 年 10 月：SDK 增加 Python 包、远程 MCP 服务器支持 OAuth 登录、通过 ACP 协议接入 Zed 等编辑器（AQ）。

胜负手：模型与 harness 联合训练

Muse Code 最核心的主张是：Muse Spark 1.2 与 Muse Code 不是"先炼模型、再套外壳"，而是联合训练（co-trained）的。据 GIGAZINE 对官方博客的转述与 jacar.es 的引述，训练过程包含三个要点：

1. 拒绝采样的 harness 轨迹：从多次执行历史中选出最优轨迹作为训练数据，目标能力明确指向"长时间维持目标""压缩必要信息并保留在上下文里""恰当使用辅助子代理"——注意，这三项全是 harness 层面的行为，不是代码生成能力；
2. 工具集进入训练：Muse Code 的工具定义被直接整合进训练过程，最大化模型与 harness 的契合度；
3. 自我改进的数据回路：上一代 Muse Spark 1.1 被用来生成高难度编码任务与指令，并给候选答案打分，为 1.2 造训练数据。

这件事在 2026 年下半年的坐标，本站前沿进展已经标好：8 月的 Agent Lightning / LEGO-RL 一簇论文把 harness 从"推理时的外壳"变成"训练时的环境"（"训练住进了骨架"），9 月的 Harness-Zero / RSR 进一步把 harness 增益蒸馏回权重。Muse Code 是这条学术主线在工业界的第一批公开落地之一——而且是产品级、带定价的落地，不是论文demo。

联合训练的隐性代价：测量偏差

jacar.es 的评测点破了一个容易被宣传盖过的事实：针对特定 harness 训练出来的模型，在该 harness 里测出来的分数天然占优——它是在主场作战。值得称道的是 Meta 在评测方法论文档里自己写明了这一点（据 jacar.es 转述）："我们的评测设置（agent 工具与系统提示）可能没有为第三方闭源模型专门调优，因此结果可能不反映这些模型在适合其特性的环境中的最佳表现。"这句脚注是阅读下文所有基准数字的前提，也与 2026 年 5 月"不披露 harness 则分数不可比较"的评测纪律一脉相承。

Harness 架构：持久子代理 + worktree 扇出

Muse Code 的执行层由三个机制组成，彼此咬合：

持久异步子代理。 多数 harness 的子代理"按任务生成、用完即弃"；Muse Code 的后台代理存活整个会话——worker 并行执行下一步，reviewer 在背后验证，各自选择汇报时机而不阻塞主代理。官方理由是减少重复的信息收集、降低长任务上的人工盯梢（jacar.es）。Codersera 对照二进制核实后特别强调：这些"持久后台代理"是会话级、本地的，并非 Meta 云端托管的基础设施——早期报道普遍误读了这一点。

扇出到隔离的 git worktree。 并行时的隔离是磁盘级的：运行时为每个子代理在 .muse/worktrees/ 下创建一个 detached-HEAD 状态的 worktree，从父会话的 HEAD 检出，子代理各自在自己的分支上提交，主代理空闲时自动回收结果、逐个评审或合并。约束条件同样实在：并发数约为 CPU 核数减二、钳制在 2–16；子代理只能有一层，不能再派生；取消是协作式的（未到达检查点的子代理可能继续跑完当前写入）；非 git 目录下隔离被静默忽略（以上均据 Codersera）。扎克伯克在发布时称内部测试曾让它同时开发一个游戏的六个功能而无冲突——这是演示而非测量，应照此对待（jacar.es）。

四个后台观察者（observer）。 主会话旁常驻四个各盯一个质量维度的观察者：记忆召回、技能召回、目标跟踪（默认开）与验证（默认关）；观察者只提建议，由协调器决定是否注入主代理的下一轮。代价是它们各自产生模型调用——三个默认开启的观察者意味着主会话之外的额外 token 开销（Codersera）。

┌──────────── muse 会话（本地单二进制；仅模型推理走 Meta 云端）────────────┐
│                                                                      │
│   主 agent（Muse Spark，1M 上下文窗口）                                │
│     │  ┌────── 持久后台子代理（会话级，不随单个任务销毁）──────────┐     │
│     │  │ worker 并行执行 ｜ reviewer 背后验证 ｜ observer×4 建议   │     │
│     │  └────────────────────────────────────────────────────────┘     │
│     │  并行扇出：每个子代理一个 git worktree（.muse/worktrees/）        │
│     ▼                                                                 │
│   append-only event log ← 每次模型调用/工具运行/审批/编辑全部追加        │
│     ＝ 会话唯一事实源 → 崩溃恢复、精确回放、双击 Esc 倒带                │
└──────────────────────────────────────────────────────────────────────┘
   默认 OS 沙箱（macOS Seatbelt / Linux bubblewrap，无法 enforcement 则拒跑）
   ＋ 分级审批（on-request / untrusted / never）＋ 网络默认 proxy-only

把这套设计和 Claude Code 的子代理放在一起看，分歧很清晰：Claude Code 的子代理是隔离上下文的临时工，Muse Code 的是常驻的职能团队。前者的理由是上下文纪律（见子代理），后者的理由是省去重复建上下文的开销——哪种更优尚无公开基准裁决，但"持久 vs 一次性"已经成为 2026 年子代理设计的显性分叉。

Append-only event log：event sourcing 进了 agent 运行时

Muse Code 把每一次模型调用、工具运行、用户审批与文件编辑追加进一个本地 event log，并把它做成会话的唯一事实源。这一个决策换来三样东西：

• 崩溃恢复：进程被杀后，下个会话读日志从最后记录处继续，无需靠重新提示重建状态——官方 24 小时、上千次工具调用的 GPU kernel 优化案例（见下节）在工程上就依赖这一点；
• 可回放与可倒带：日志使会话"replay-exact"；双击 Esc 可回滚到先前状态，且 harness 只提供从日志推导出的安全倒带点（AQ）；
• 决策留痕：事后可以重建"agent 为什么碰了这个文件、基于哪次审批"——任何试过向同事解释一处机器生成改动的人都知道这有多缺（jacar.es）。

这是经典的 event sourcing 模式——状态不直接存储，而是从不可变事件序列重建——第一次被主流 coding agent 完整搬进运行时。它与 Anthropic 2026 年 4 月 Managed Agents 提出的 durable session（"追加式事件日志，持久保存一切"）几乎是同一架构原语的两次独立命名：脑（模型+harness）、手（沙箱）、会话（事件日志）三者解耦，会话层负责跨进程、跨崩溃延续。两家的收敛说明一件事：长时程 agent 的"记忆"正在从模型上下文迁移到外部事件日志——上下文是可压缩的工作记忆，日志才是不可篡改的事实源。

日志不是版本控制

jacar.es 的提醒值得原样保留：event log 是 agent 的日记，不是你仓库的历史——它能重建"agent 做了什么"，不能替你把文件改回去，回滚文件仍是 git 的职责。Muse Code 的设计也体现了这条边界：worktree 扇出负责"文件层面的可逆"，event log 负责"决策层面的可溯"，两者各管一段。

安全姿态：默认锁死，比同行更紧

Codersera 将 Muse Code 的出厂安全默认评价为"比大多数同类产品更严"，且声称对照二进制核实过：

• 双层独立机制：审批（--approval-mode，默认 on-request，内置 rm -f/rm -rf/sudo 危险清单；复合命令逐段审查，拒绝任一段则整段不执行）＋ OS 级沙箱（macOS Seatbelt、Linux 自带 bubblewrap；工作区与临时目录可写，其余只读；.git、.muse、.agents 在沙箱内也保持只读，agent 无法改写自己的历史、配置与记忆）；
• 失败即关闭：沙箱无法 enforcement 时拒绝启动；网络默认 proxy-only；
• --yolo 一键解除两层——Meta 自己的建议是只在 CI 容器这类一次性隔离环境里用。

对照权限与人机协作的框架，Muse Code 的位置在"本地终端 agent"光谱的严控端：它把 Devin 式"沙箱里尽量放权"的思路搬回了本地——差别在于 Devin 用的是云端一次性 VM 的物理隔离，Muse Code 用的是 OS 级策略隔离，且把"防 agent 篡改自身历史"写进了文件系统策略，这是 event log 架构的自然延伸。

双轨定价：把"轨迹是训练资产"写进价格表

截至 2026 年 8 月 30 日 jacar.es 从官网读取的价格（此后可能变动）：

档位	输入 / 百万 token	缓存输入	输出 / 百万 token	速率限制	你的数据
标准（muse-spark-1.2）	$1.25	$0.15	$4.25	3,000 RPM	不用于训练
贡献者（-contributor）	$0.10	$0.002	$0.20	100 RPM	用于改进产品

输入差 12.5 倍、输出差 21.25 倍——折扣的支付货币不是钱，是你的 prompt、补全、也就是你代码的片段。Codersera 点出了两条被传播淹没的细节：其一，标准档本身已是好生意——$4.25 的百万输出价格在不交出数据的前提下大幅低于 Claude Opus 5 与 GPT-5.6 Sol；其二，廉价档的真实约束是速率而非价格——100 RPM 对 3,000 RPM 是 30 倍的吞吐削减，而 Muse Code 的头牌功能恰恰是并行子代理，"你无法用 headline 价格跑 headline 功能"。

从 harness 视角看，这张价格表是"模型-harness 联合训练"的商业闭环：便宜算力换回来的轨迹，正是下一轮联合训练的原料。这与 Manus 的积分制形成镜像——Manus 的定价暴露的是"成本结构"（转售 token），Muse Code 的定价暴露的是"数据结构"（收购轨迹）。

基准数字怎么读

Meta 发布时给出的三组数字（以 PNG 图表发布，以下为 jacar.es 从图中转录，均为 Meta 自己跑的内部测量，非公开榜单成绩）：

基准	Claude Opus 5	Muse Spark 1.2	备注
Terminal-Bench 2.1	86.7%	82.9%	89 题、5 次 pass@1、隔离容器
DeepSWE 1.1	65.0%	59.3%	113 题 / 91 仓库 / 5 种语言
Meta 内部编码基准（440 题）	79.4%	70.6%	源自真实 PR，断网

三个注脚一个不能少：这是主场测量（评测 harness 就是模型被训练时面对的 harness，Meta 自己在方法论文档里承认了这一点）；对照组选择偏友好（GPT 一侧用的是中档 5.6 Terra 而非旗舰 Sol，据 Codersera）；独立榜单上 Muse Spark 1.2 长期缺席——截至 8 月中，它不在 Terminal-Bench、SWE-bench 等任何受核验的 agentic 编码榜单上；出现的综合榜里 Vals AI 列第 5（71.88%，前五中成本最低），而 LiveBench 的 agentic coding 仅 57.6 分、甚至低于上代 1.1 的 58.5——那恰是 Muse Code 赖以售卖的能力（以上据 Codersera）。

官方材料里最有 harness 含金量的是长时程案例：Muse Code + Spark 1.2 为 NVIDIA Hopper GPU 优化 KDA/MLA 两类 kernel，反复"写—编译—测速—改"，单次任务执行超过 1,000 次工具调用、最长连续 24 小时，最终 KDA 提速 68.7%（Opus 5 为 74.0%）、MLA 提速 61.1%（Opus 5 为 75.4%）（据 GIGAZINE 转述官方博客）。注意它的叙事功能：这个案例存在的意义不是"赢"，而是证明 event log + 持久子代理的运行时能撑住以天计的任务——能力可以输给 Opus，续航不能输。

权衡与判断

把已知证据合起来，本站的判断是：

1. 联合训练是真范式，但第一批数字证明的是"可行"而非"更优"。 在自家主场、用联合训练的模型，三项基准全部输给 Opus 5——这与其说是失败，不如说是诚实的基线：它说明 harness-native 训练目前能买到的是成本与行为契合度（更省 token、更会用自家子代理），还不是能力上限。联合训练能否收敛出独特优势，要看 1.3 之后几代。

2. Event log 是这个产品最可能留下遗产的部分。 崩溃恢复、回放、倒带、留痕四合一只靠一个原语实现，且与 Anthropic durable session 收敛到同一设计——这是 2026 年罕见的"架构共识信号"。相比之下，持久子代理的收益仍停留在官方叙事层面，缺少公开基准支撑。

3. 信任是这个产品的隐形天花板。 Codersera 汇总的早期社区反馈里，最高频的不是质量抱怨而是身份验证摩擦（登录强制绑定 Facebook/Instagram 账号体系）与对 Meta 广告业务的结构性不信任；更有竞品团队因登录 bug 跑不起来、索性把它的系统提示词抽进自家 harness，报告了约 2.7 倍省 token、2 倍提速、2.4 倍便宜的结果——若属实，说明"联合训练"的一部分收益其实是可迁移的提示词工程，这对 Meta 的护城河叙事不是个好消息。

贡献者档是治理问题，不是配置问题

档位由模型 ID 选择，意味着"为了省预算把 ID 换成 contributor"是一个任何工程师都能在一行配置里完成的决定，而代价（代码进入训练语料）不可撤销。Codersera 的建议是正确的：这条线应该划在组织策略层，而不是信任某个配置文件。

从 Muse Code 学到的

1. harness 可以进训练回路了。 模型与 harness 联合训练意味着你在 harness 里定义的每个工具、每条提示词都可能变成模型的"母语"——harness 设计从部署决策升格为能力决策，呼应前沿进展的 Harness-Native RL 主线。
2. 把会话建成 append-only 日志。 崩溃恢复、回放、审计、倒带不需要四套机制，一个不可变事件序列就够了——event sourcing 这个二十岁的后端模式，在 agent 运行时里找到了新岗位。
3. 隔离要分层。 Worktree 管文件可逆，event log 管决策可溯，OS 沙箱管爆炸半径，.git/.muse 只读管"agent 篡改自身"——四层各管一段，比"一个沙箱包打天下"清晰。
4. 定价也是架构声明。 双轨价格表等于公开承认"轨迹是训练资产"；读一家 agent 公司的定价，往往比读它的架构图更快看清它真正的壁垒设想。
5. 主场测量的数字要自带折扣。 厂商在自家 harness 里测自家联合训练模型，三个注脚（主场偏差、对照组选择、独立榜单缺席）缺一不可——这正是模型 vs Harness 的评测纪律。

延伸阅读

• 前沿进展——"训练住进了骨架"（Harness-Native RL）与 Harness-Zero 蒸馏线，本文联合训练讨论的学术坐标
• 模型 vs Harness——为什么主场测量的分数必须打折读
• 子代理——持久子代理 vs 一次性子代理的设计空间
• 上下文工程——联合训练目标里的"压缩与目标维持"对应的运行时机制
• 权限与人机协作——OS 沙箱 + 审批制的双层结构在光谱中的位置
• 可观测性——event log 作为审计基础设施的通用价值
• Claude Code 案例——同形态产品里"一次性子代理"的对立路线
• Devin 案例——云端沙箱派与"交付物闸口"的对照

参考资料

再次提示：以下来源均为第三方；Meta 官方原文未能在本环境逐字核实。

• GIGAZINE：Meta 发布 Muse Code 与 Muse Spark 1.2（2026-08-06）——发布博客逐段转述：联合训练三要点、三项基准数字、24 小时 GPU kernel 案例
• jacar.es：Muse Code 深度评测（2026-09-02 首发，10-10 更新）——安装脚本分析、双轨定价（8-30 快照）、"主场测量"批评、Windows 版 9-16
• Codersera：The Complete Guide to Muse Code（2026）——声称对照二进制核实：子代理并发约束、四观察者、沙箱与审批细节、独立榜单缺席、开源权重"已宣布未交付"
• AQ：Muse Code, explained（2026-09-03 首发，10-10 更新）——GA 时间线（9-1 转正 / 9-2 Spark 1.3）、worktree 机制细节（.muse/worktrees/、detached HEAD）、SDK 与会话间消息、订阅定价
• VentureBeat：Meta enters the AI coding wars（2026-08-05）——发布日报道，持久异步后台代理的定位