Comment exécuter les agents Muse Wonder dans Sharkly

Meta a lancé Muse Wonder le 12 octobre à 4 $ par million de tokens en entrée et 20 $ par million en sortie, avec une fenêtre de contexte de 1M de tokens et une API prenant en charge trois formats : OpenAI Responses, Chat Completions et Anthropic Messages. C’est ce dernier point qui le rend directement utilisable depuis un tableau Sharkly dès aujourd’hui. Le guide sur les agents de codage de Meta explique comment exécuter Codex et Claude Code sur muse-wonder-1.0 en les pointant vers api.meta.ai, deux Runtimes qu’un Sharkly Computer peut mettre à disposition. En revanche, le modèle mis en avant par les benchmarks de référence de Meta, Muse Wonder Full, n’est pas disponible via l’API et ne peut donc pas servir de modèle pour un Runtime ; nous y reviendrons plus bas.

Ce guide vous explique comment configurer une voie Muse Wonder sur un Sharkly Computer existant à l’aide du Runtime Codex, spécifier le modèle au niveau de l’Agent afin que le tableau indique vers quelle voie chaque Task a été dirigée, et calibrer la charge de travail en fonction des atouts du modèle confirmés par les chiffres de Meta et d’Artificial Analysis : les longues sessions d’exécution agentiques.

En résumé

Configurez un fournisseur Meta pour Codex dans ~/.codex/config.toml sur le Computer, avec model = "muse-wonder-1.0", wire_api = "responses" et la clé lue depuis la variable MODEL_API_KEY dans l’environnement du service local. Relancez l’analyse (rescan) jusqu’à ce que le Runtime Codex affiche l’état Available. Créez ensuite un Agent sur ce Runtime, renseignez le modèle dans ses Custom arguments, et confiez-lui les Tasks de longue durée : refactorisations complexes en plusieurs étapes, migrations, boucles de révision et de correction. Réservez les tâches exigeantes en connaissances factuelles ou intensives en ligne de commande aux Agents Opus 5.5 ou Astra. Les Agents recherchent, exécutent, testent et rendent compte ; la Task centralise le résultat.

Où configurer le modèle

Sharkly ne choisit pas les modèles à votre place. Comme l’indique la documentation des Agents, un Agent utilise par défaut le modèle configuré sur son Runtime et n’affiche aucun nom de modèle. Pour en changer, il faut en préciser un dans le champ Custom arguments de l’Agent ou du Runtime, par exemple avec specify model: model-name. Il n’y a ni menu déroulant pour sélectionner un modèle, ni contrôle de la profondeur de raisonnement, car Sharkly ne peut pas détecter avec certitude le modèle sollicité par un Runtime.

Pour un modèle Meta, la configuration se divise donc en deux niveaux. Le fournisseur, qui indique au Runtime où joindre api.meta.ai ainsi que sa clé, est défini dans la configuration propre au Runtime sur le Computer. Le choix du modèle, quant à lui, se fait au niveau de l’Agent. De cette façon, un même Computer peut faire tourner un Agent Muse Wonder et un Agent Opus 5.5 sur des Runtimes distincts, le modèle étant explicitement documenté là où l’équipe peut le vérifier.

Étape 1 : configurer un fournisseur Meta pour Codex sur le Computer

Le guide de Meta fournit la configuration requise pour Codex. Sur le Computer, modifiez le fichier ~/.codex/config.toml :

model = "muse-wonder-1.0"
model_provider = "meta"
model_reasoning_effort = "high"
model_context_window = 1048576

[model_providers.meta]
name = "Meta Model API"
base_url = "https://api.meta.ai/v1"
env_key = "MODEL_API_KEY"
wire_api = "responses"

Deux remarques importantes issues de la documentation de Meta. Tout d’abord, déconnectez-vous d’OpenAI dans Codex, sans quoi il continuera d’utiliser ce fournisseur par défaut. Ensuite, le paramètre wire_api = "responses" est crucial : l’API Responses conserve le fil du raisonnement d’une interaction à l’autre, ce qui garantit la cohérence des exécutions longues.

La clé d’API doit être injectée dans l’environnement du processus qui lance Codex, c’est-à-dire le service local sur un Sharkly Computer. Définissez la variable MODEL_API_KEY là où ce service lit son environnement, puis redémarrez-le. Ne renseignez jamais cette clé dans l’interface de Sharkly. La documentation des Computers précise formellement que les mots de passe, tokens et clés d’API ne doivent pas figurer dans les champs d’exécutable, d’arguments ou d’environnement du Runtime. Ces champs servent aux paramètres par défaut, pas aux données sensibles.

Testez la configuration directement dans un terminal sur cet hôte avant d’intervenir sur le tableau :

codex "Say which model you are and stop."

Si Codex répond en confirmant qu’il utilise muse-wonder-1.0, Sharkly est prêt à l’exploiter. Rendez-vous dans les détails du Computer et lancez une nouvelle détection ou un test de connexion. Le Runtime Codex doit passer à l’état Available. Attention : un Computer affiché en ligne indique simplement que son service local émet des signaux de pulsation (heartbeats) ; c’est bien le statut du Runtime qui confirme qu’une exécution peut démarrer.

Si vous préférez employer Claude Code comme Runtime, le guide de Meta précise la correspondance des modèles : ANTHROPIC_BASE_URL="https://api.meta.ai", ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY", ANTHROPIC_MODEL="muse-wonder-1.0", l’emplacement d’Opus réassigné à Wonder, ceux de Sonnet et Haiku ainsi que CLAUDE_CODE_SUBAGENT_MODEL associés à muse-spark-1.3, et ENABLE_TOOL_SEARCH="true" pour assurer le chargement des outils MCP. Chaque emplacement doit impérativement pointer vers un modèle Meta, faute de quoi le mode Plan et les sous-agents tenteront d’appeler des modèles Claude que Meta ne propose pas. La même règle de sécurité s’applique : la clé doit rester dans l’environnement de l’hôte, jamais dans un champ Sharkly.

Étape 2 : configurer un Agent qui identifie son modèle

Accédez à la section Agents, cliquez sur New Agent, sélectionnez le Computer ainsi que le Runtime Codex, et donnez à l’Agent un nom explicite pour sa voie d’exécution, par exemple Long-run worker plutôt que Muse. Dans Custom arguments, spécifiez le modèle muse-wonder-1.0, conformément à vos tests. Configurez le répertoire de travail sur Create temporary directory pour isoler l’exécution de chaque Task, et prévoyez un délai d’expiration (timeout) par Task plus généreux que pour une voie standard. Tout l’intérêt de ce modèle réside dans son endurance sur la durée, une qualité précisément évaluée par le benchmark SWE-Marathon.

Comme Sharkly n’affichera pas directement le modèle, les consignes imposent à l’Agent de le consigner par écrit :

You are the long-run lane. State the model id you ran on at the top of your report.
Take the Task as written. Plan before you edit, and keep a running list of what
you tried and why, so a reviewer can follow the path, not only the diff.
Run the closest relevant check before reporting done. Report failures as failures.
If you need a fact you are not sure of, look it up in the repository or say you
could not confirm it. Do not fill gaps from memory.
Stop and ask before anything destructive, anything that sends data outside the
attached repositories, or any action you would want a person to confirm.

La quatrième consigne n’a rien d’anodin. Artificial Analysis attribue à Wonder un score de 25 sur son indice de connaissances (contre 46 pour Opus 5.5), avec un taux d’hallucination de 27 %. C’est un exécutant hors pair mais une piètre encyclopédie ; cette consigne lui rappelle précisément son rôle.

Étape 3 : orienter les Tasks de longue durée vers cette voie

Le positionnement de cette voie d’exécution, d’après la fiche modèle de Meta et les tests indépendants :

À tarif identique, leurs profils sont très différents. La règle d’acheminement pour une Crew s’en déduit naturellement :

• Assignez la tâche à l’Agent Muse Wonder lorsqu’il s’agit d’une Task longue, comprenant de nombreuses étapes et susceptible de rencontrer des blocages : refactorisation touchant plusieurs fichiers, migration de dépendances accompagnée de tests en échec à résoudre, boucle de correction et de validation sur une suite de tests instable.
• Conservez Opus 5.5 ou Astra lorsque la Task est intensive en terminal, requiert une vaste culture technique factuelle ou exige la plus grande rigueur d’analyse. L’article Quel agent assigner à la Task détaille ces principes généraux.

Il ne vous reste plus qu’à choisir une Task dotée de critères d’acceptation précis, de désigner l’Agent Muse Wonder comme responsable (Assignee) et de la sortir du Backlog vers un statut prêt à être traité. L’exécution passe successivement par les états queued, dispatched et running, tandis que le journal consigne les appels d’outils et les événements du Runtime. Lorsque l’Agent s’arrête pour poser une question, celle-ci est ajoutée sous forme de commentaire dans la Task et signalée dans votre Inbox. Meta a spécialement entraîné Wonder à demander confirmation avant toute opération sensible ; sur un tableau de bord, ces alertes trouvent ainsi un point d’ancrage naturel. Notre article sur l’Active Focus et la file de révision explique comment les exploiter au mieux.

Ce que vous ne pouvez pas exécuter : Muse Wonder Full

Muse Wonder Full affiche un score de 56 contre 52 pour Wonder, et fait jeu égal avec Claude Code sur Sonnet 5.5 à 68 sur l’indice Coding Agents. Il est toutefois réservé exclusivement à l’environnement Muse Code au sein des forfaits Power à 50 $ et Maximum à 200 $. Dépourvu d’identifiant de modèle d’API, il ne peut être ciblé ni par Codex ni par Claude Code, et Muse Code ne fait pas partie des Runtimes détectés par le service local de Sharkly. Bien que Sharkly propose un Runtime ACP personnalisé pour les outils non reconnus nativement, la documentation de Meta ne précise pas si Muse Code prend en charge le protocole ACP ; considérez donc cette option comme non vérifiée. À l’échelle d’une équipe, Full reste un modèle qu’un développeur utilise individuellement dans son terminal, et non une ressource assignable depuis un tableau. Notre article Muse Wonder Full est réservé aux abonnements en analyse toutes les implications.

Coûts et confidentialité des données

Rien de tout cela n’apparaît sur votre facture Sharkly. La consommation du modèle est facturée via la clé Meta configurée sur le Computer, aux tarifs appliqués par Meta : 4 $ en entrée, 20 $ en sortie et 0,20 $ en cache par million de tokens, sans surcoût lié aux contextes longs et avec un plafond d’équipe fixé à 3 000 requêtes et 4M de tokens par minute. Comme les longues sessions renvoient l’intégralité de leur contexte à chaque tour, une voie Muse Wonder sollicite énormément le cache ; Artificial Analysis a ainsi mesuré un coût de 4,52 $ par tâche contre 5,98 $ pour Opus 5.5, un écart principalement attribuable au tarif de sortie plus avantageux de Wonder.

Les données transitant par l’API en mode Standard de Meta ne sont pas utilisées pour l’entraînement des modèles. Cela diffère des abonnements Muse Code, configurés par défaut en mode Contributor. Le Runtime déployé sur un Computer passant directement par l’API, le code de votre équipe ne risque pas d’intégrer les jeux d’entraînement de Meta, sans aucune configuration manuelle supplémentaire.

Le modèle a évolué cette semaine. Le contexte, l’avancement, les blocages, les résultats et la validation humaine restent visibles de bout en bout, de la demande initiale à la mise en production. Vous pouvez mettre en place cette organisation manuellement avec des worktrees, ou vous appuyer sur Sharkly pour piloter l’ensemble du flux de travail.