Meta 发布终端编程智能体 Muse Code

开篇：开源倡导者推出全封闭技术栈

8 月 5 日，Meta 发布了 Muse Code（beta）——一款运行于终端、由 Muse Spark 1.2 驱动的 AI 编程 Agent；后者是同日发布的新模型。在 macOS 或 Linux 上，只需一条 curl 命令即可完成安装。其 harness 与底层模型采用协同训练，目标直指 Claude Code 和 Codex。真正值得关注的是 Meta 的姿态。Meta 凭借 Llama 的开放权重在开发者群体中建立了声誉——下载量已超过 10 亿次——然而 Muse Code 和 Muse Spark 系列却完全是专有产品。正如 VentureBeat 所言，Meta 如今采取的路线最接近 Anthropic：专有 harness、专有模型，并按 token 计费。与此同时，OpenAI 的 Codex CLI 和 Google 的 Gemini CLI 都是采用 Apache 2.0 许可证的开源项目。至此，终端编程 Agent——2026 年企业 AI 领域增长最快的产品形态——从 Anthropic 与 OpenAI 的双雄竞争，变成加入 Google 和 Meta 后的四方混战。每家厂商出售的其实都是同一种产品：模型与第一方 harness 捆绑而成的套装。

Muse Spark 1.2 处于什么水平？

根据 Meta 的博客，Muse Spark 1.2 是 Muse Spark 1.1 的编程专项升级版：大幅增加了编程任务上的训练算力，扩展了训练环境的多样性，并针对代码生成、复杂调试、代码库理解和端到端开发者工作流进行了重点增强，同时保留通用的 Agent 能力。目前，该模型已在 Muse Code 和 Meta Model API 中开放使用，并扩大了全球可用范围。

Muse Code 有两项工程设计尤为突出。第一项是 harness 与模型协同训练：沿着 Anthropic 已通过 Claude Code 验证的路线，在训练阶段让模型适应该特定 harness 的工具调用和上下文管理模式，而不是仅仅做到“恰好可以配合使用”。第二项是持久化异步后台 Agent，它能让任务持续在后台运行——这项设计面向需要数天执行、时间跨度较长的编程工作。

若要了解其能力基线，可以参考上一代模型：Muse Spark 1.1 在 SWE-bench Verified 上取得了 77.4 分，落后于 Claude Opus 4.6 的 80.8 分和 Gemini 3.1 Pro 的 80.6 分。1.2 是否缩小了这一差距，目前尚不清楚——Meta 尚未发布完整的对比表——而且行业标杆已经再次提高：Claude Opus 5（7 月 24 日发布，每百万 token 收费 $$5/$$25）宣称在同一基准测试中取得了 96.0 分。把过去两周的市场动态放进同一张表，竞争的激烈程度便一目了然：

四款第一方 harness，再加上一个价格每周都在变化的模型层：开发者如今面对的是技术栈选择数量的组合式爆炸。

捆绑的另一面：Harness 锁定正在取代模型锁定

这里正在发生一种很容易被忽略的结构性转变。过去，人们担心的是模型锁定——代码与某家厂商的 SDK 深度绑定。通过兼容 OpenAI 的协议，行业已经基本解决了这个问题：Qwen3.8-Max 目前同时支持 OpenAI 和 Anthropic 协议；Tencent 的 Hy3 上线首日便接入了 OpenRouter、Cline、OpenClaw 以及十余个其他第三方平台。

Harness 捆绑则把锁定转移到了另一个地方。Muse Code 与 Muse Spark 深度绑定；Claude Code 默认使用 Claude 模型；每家厂商都通过自己的订阅体系收费。选择一个 harness，实际上就等于提前选定了模型和账单。对个人而言，这会增加认知负担；对团队而言，则会产生真实成本：四份订阅、四个 API key、四张账单、四套用量仪表盘。

对应的工程解决方案早已成熟：把模型访问统一收拢到一个兼容 OpenAI 的 endpoint 后面，让 harness 与模型能够彼此独立演进。这正是 wrouter.ai 这类模型网关提供的能力——用一个 API key 访问主流模型；即使某家厂商的风险控制或区域限制生效，也能提供不中断的稳定服务；所有费用还可以统一到一张账单中。切换模型只需修改一个字符串：

from openai import OpenAI

client = OpenAI(
    base_url="https://wrouter.ai/v1",
    api_key="YOUR_WROUTER_KEY",
)

# One endpoint, route different models per task
for model in ["claude-opus-5", "gpt-5.6-luna", "qwen3.8-max"]:
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": "Refactor this function and add unit tests"}],
    )
    print(model, resp.choices[0].message.content[:80])

在编程 Agent 工作负载中，这种模式尤其实用：将主要任务路由到 Opus 5 这类评分领先的模型；在 Luna 降价 80% 后，把批量 lint 修复和 commit message 生成交给它这类低成本模型；还可以通过修改一行配置，对任何新模型进行 A/B 测试。模型层的价格战越激烈，统一访问层所能节省的迁移成本就越高。

Meta 的入局进一步加剧了编程 Agent 市场的竞争，但销售“模型加 harness”捆绑套装的趋势，也在悄然压缩开发者的选择空间。保持选择自由并不复杂：可以自由更换 harness，同时让模型访问层维持中立和统一。如果同时管理多份订阅、应对每周一次的模型格局变化已经令你疲惫，不妨尝试通过 wrouter.ai 的统一 endpoint 整合模型访问——让技术栈决策重新回归“哪个模型适合这项任务”，而不是“我买了谁家的套装”。

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。