Zehntausende Dateien, eine Änderung quer durch mehrere Module, dazu Abhängigkeiten, Tests und eine Integration am Ende: An diesem Maßstab müssen sich Coding-Agenten heute messen lassen. Stürzt ein Agent nach zwei Stunden Arbeit ab, ist bei den meisten Systemen der gesamte Fortschritt verloren: Der Kontext steckte im Arbeitsspeicher, und mit dem Prozess ist er weg. Für kurze Aufgaben fällt das kaum auf, für einen Umbau über Hunderte von Dateien entscheidet es darüber, ob sich der Einsatz überhaupt lohnt. Der neue Muse Code Beta, ein Terminal-Coding-Agent von den Entwicklern hinter Muse Spark 1.2, löst das Problem mit persistenten Hintergrundagenten, einem robusten Event-Log und einem Modell, das speziell für langfristige Codeaufgaben trainiert wurde.
Muse Code: Ein Agent für stundenlange Arbeit
Muse Code ist ein Coding-Agent fürs Terminal, verfügbar für macOS und Linux. Seine Aufgabe: komplexe Software-Engineering-Projekte über große Repositories hinweg bewältigen – von der Planung über Code-Erstellung bis Validierung. Der Agent koordiniert mehrere persistente Subagenten, die parallel arbeiten. Das beschleunigt schwierige Probleme und reduziert manuellen Eingriff. Besonders ist die Fähigkeit, über lange Zeiträume konsistent zu bleiben. In einem Fallbeispiel hat der Agent über 1.000 Tool-Aufrufe hinweg GPU-Kernel optimiert, über bis zu 24 Stunden. Das ist ein Werkzeug für anspruchsvolle Entwicklungsaufgaben.
Asynchrone Hintergrundagenten: Die Helfer im Hintergrund
Der Agent arbeitet nach einem einfachen Prinzip: Ein Haupt-Agent führt die Kernlogik aus, während spezialisierte Hintergrundagenten dauerhaft aktiv sind. Diese asynchronen Helfer sammeln Informationen, führen nächste Schritte aus und entscheiden selbst, wann sie dem Haupt-Agenten berichten. Das reduziert Redundanz, die bei herkömmlichen Systemen auftritt. Statt bei jedem Teilschritt neue Prozesse zu spawnen und den Kontext zu verlieren, bleiben diese Agenten die ganze Sitzung über aktiv. Sie merken sich, was bereits gefunden wurde, und senken Latenz und unnötige Steuerung. Man kann sie sich wie ein erfahrenes Team auf einer Baustelle vorstellen: Der Vorarbeiter koordiniert, aber jeder Handwerker kennt seinen Bereich und meldet sich nur, wenn nötig.
Robustheit durch Event-Log: Nach einem Absturz geht es weiter
Der Agent verwendet ein lokales Event-Log, in das jeder Modellaufruf, jeder Tool-Lauf, jede Genehmigung und jede Änderung eingetragen wird. Diese Quelle der Wahrheit macht den gesamten Lauf „replay-exact“ – er kann exakt reproduziert werden. Mehr noch: Der Lauf ist „restart-safe“. Wenn der Prozess abstürzt, macht der Agent genau dort weiter, wo er aufgehört hat. Das ist der Schlüssel für langwierige Aufgaben, die sonst an einem Serverfehler scheitern würden. In der Praxis: Du kannst einen 24-Stunden-Optimierungsjob starten und dir sicher sein, dass kein Neustart den Fortschritt zunichtemacht. Das Event-Log ist kein reines Debugging-Werkzeug, sondern eine Versicherung gegen den Zufall.
Vorgefertigte Fähigkeiten: /plan, /grill, /goal
Muse Code bringt von Haus aus einige praktische Fähigkeiten mit. /plan wandelt eine Aufgabe in einen genehmigungspflichtigen Plan um. Der Plan wird erst nach deiner Freigabe ausgeführt. Das gibt dir Kontrolle über den Ablauf. /grill nimmt diesen Plan unter die Lupe und testet, ob er hält – ein Stress-Test für die Strategie. /goal arbeitet auf die erfolgreiche Erfüllung des gesetzten Ziels hin. Diese drei Fähigkeiten bilden einen soliden Arbeitsablauf: Planen, hinterfragen, ausführen. Ein Beispiel zeigt, wie der Agent ein Video interpretiert: Ein Nutzer gibt ein MP4-File mit einem Flug durch ein Haus ein. Muse Code versteht den Inhalt und erstellt daraus eine Marketing- und Buchungsseite für ein Ferienhaus. Der Agent verarbeitet also nicht nur Code, sondern auch Medien – in einem Terminal-Flow, der manchem altmodisch erscheint, aber leistungsfähig ist.
Muse Spark 1.2: Das Modell hinter dem Agenten
Der Antrieb von Muse Code ist das neue Modell Muse Spark 1.2. Es ist ein Update auf Muse Spark 1.1 und verbessert Codegenerierung, komplexes Debugging, Verständnis der Codebasis und End-to-End-Entwicklerabläufe. Die Entwickler haben das Training auf Codierungsaufgaben vergrößert und die Vielfalt der Trainingsumgebungen erhöht. Das Modell behält Stärken in anderen Bereichen, etwa bei allgemeinen Agenten. Die Co-Trainings-Strategie: Muse Spark 1.2 wurde zusammen mit Muse Code trainiert, damit das Modell seine beste Leistung genau dann zeigt, wenn es mit dem Agenten zusammenarbeitet. Dazu gehören Trainingsdaten aus Harness-Trajektorien und Rezeptoptimierungen für Ziele, Kompaktion und Subagenten. Das Ergebnis ist eine Einheit aus Modell und Umgebung.
Langfristige Codierungsaufgaben und Selbstverbesserung
Muse Spark 1.2 wurde explizit für langfristige Codierungsaufgaben trainiert – Generierung ganzer Repositories, große End-to-End-Projekte, Auto-Research. Das Modell nutzt Planung, um Arbeitsschritte zu sequenzieren, Ziel-Konditionierung, um die Richtung zu halten, und Kontext-Kompaktion, um Wissen über lange Strecken zu bewahren. Viele Modelle verlieren mit wachsender Kontextlänge an Leistung. Muse Spark 1.2 meistert das durch Kompaktierung, die relevante Informationen behält und Unwichtiges verwirft. Dazu kommt die Selbstverbesserungsschleife: Die Entwickler haben Muse Spark 1.1 genutzt, um anspruchsvolle Codierungsumgebungen und Instruktionsvorlagen zu generieren. Das neue Modell bewertete, wie gut Kandidatenlösungen diese Anforderungen erfüllten. So entstand ein skalierbarer Trainingsdatensatz, der Muse Spark 1.2 dabei half, komplexe Anweisungen präziser zu befolgen als sein Vorgänger. Das ist eine sich selbst verstärkende Spirale.
Ein Praxisbeispiel: GPU-Kernel-Optimierung über 1.000 Tool-Aufrufe
Ein Fallbeispiel aus der GPU-Entwicklung zeigt das Zusammenspiel von Muse Code und Muse Spark 1.2. Der Agent optimierte GPU-Kernels iterativ – mit mehr als 1.000 Tool-Aufrufen, über einen Zeitraum von bis zu 24 Stunden. Er schreibt Code, kompiliert, profiliert und verbessert die Performance schrittweise relativ zu einer Baseline. Getestet auf KDA- und MLA-Kerneln für NVIDIA-Hopper-GPUs. Der Agent erzielte kontinuierlich deutliche Verbesserungen. Direkter Zugriff auf Drittanbieter-Bibliotheken wie FLA war verboten. Der Agent musste das Kernel-Implementieren in Triton selbst lösen – echtes Verständnis der Optimierungstechniken war nötig. Muse Spark 1.2 kombinierte einen chunk-parallelen Vorbereitungskern mit einem sequenziellen Scan zwischen den Chunks und integrierte KDA-spezifische Optimierungen wie das Neuzentrieren des kumulativen Decays. Der Agent arbeitet also nicht stur Befehle ab, sondern findet kreative Lösungen.
Verfügbarkeit und Ausblick
Muse Spark 1.2 ist ab sofort in Muse Code und über die Meta Model API verfügbar, mit erweitertem globalem Zugriff. Die Entwickler kündigen neue Harness-Funktionen und leistungsfähigere Modelle an. Du kannst jetzt mit einem Terminal-Agenten arbeiten, der über Stunden produktiv bleibt, statt nach kurzer Zeit den Faden zu verlieren. Die Robustheit des Event-Logs und die asynchronen Hintergrundagenten lösen echte Probleme: lange Laufzeiten, Unterbrechungen, Kontextverlust. Das Modell dahinter ist speziell für diese Aufgaben gemacht. Die Beta-Phase ist früh, aber die Richtung ist klar: KI-gestützte Codegenerierung wird ein verlässlicher Partner für komplexe Softwareprojekte. Du entscheidest, wo du es einsetzt – Kernel-Optimierung, Migration großer Codebasen, schnelles Prototyping. Die Werkzeuge sind da.
Quelle: research.meta.ai
