Cara Menjalankan Muse Wonder Agents di Sharkly

Meta merilis Muse Wonder pada 12 Oktober dengan harga $4 per satu juta token input dan $20 per satu juta token output, konteks 1M token, serta API yang mendukung tiga dialek: OpenAI Responses, Chat Completions, dan Anthropic Messages. Bagian terakhir inilah yang membuatnya bisa langsung digunakan dari board Sharkly saat ini. Panduan coding-agents dari Meta mendokumentasikan cara menjalankan Codex dan Claude Code di muse-wonder-1.0 dengan mengarahkannya ke api.meta.ai, dan keduanya merupakan Runtime yang dapat disediakan oleh Sharkly Computer. Model utama yang digambarkan dalam tolok ukur headline Meta, Muse Wonder Full, tidak tersedia di API dan tidak dapat dijadikan model Runtime; pembahasan lebih lanjut mengenai hal ini ada di bawah.

Panduan ini menjelaskan cara menyiapkan jalur (lane) Muse Wonder pada Sharkly Computer yang sudah ada menggunakan Runtime Codex, memberi nama model pada Agent agar board menampilkan ke jalur mana suatu Task dialihkan, dan menyesuaikan skala pekerjaan dengan keunggulan model ini berdasarkan data dari Meta dan Artificial Analysis: proses eksekusi agen yang panjang (long agentic runs).

TL;DR

Konfigurasikan penyedia (provider) Codex untuk Meta di ~/.codex/config.toml pada Computer, dengan model = "muse-wonder-1.0", wire_api = "responses", dan kunci yang dibaca dari MODEL_API_KEY di environment layanan lokal. Lakukan pemindaian ulang (rescan) hingga Runtime Codex berstatus Available. Buat Agent pada Runtime tersebut, tentukan modelnya di Custom arguments, lalu berikan Task berdurasi panjang: refaktorisasi multi-tahap, migrasi, serta siklus review-and-fix. Pertahankan pekerjaan yang padat pengetahuan (knowledge-heavy) dan dominan di terminal pada Agent Opus 5.5 atau Astra. Agent akan meneliti, mengeksekusi, menguji, dan melaporkan; Task memuat hasilnya.

Di mana letak pengaturan model

Sharkly tidak memilih model. Dokumentasi Agents menyatakan bahwa Agent mengikuti model default Runtime, tidak menampilkan nama model, dan untuk mengubah model Anda perlu menentukannya di Custom arguments pada Agent atau Runtime, misalnya specify model: model-name. Tidak ada menu dropdown pilihan model maupun kontrol kedalaman berpikir (thinking-depth), karena Sharkly tidak dapat membaca secara pasti model mana yang digunakan oleh suatu Runtime.

Untuk model Meta, ini melibatkan dua lapisan. Provider—tempat Runtime menemukan api.meta.ai beserta kuncinya—berada di konfigurasi milik Runtime itu sendiri pada Computer. Pilihan model berada di Agent. Dengan demikian, satu Computer dapat menjalankan Agent Muse Wonder dan Agent Opus 5.5 pada Runtime yang berbeda, dengan model yang tercantum jelas di tempat yang dapat dilihat oleh peninjau (reviewer).

Langkah 1: Siapkan provider Meta untuk Codex di Computer

Panduan dari Meta menyediakan konfigurasi Codex berikut. Pada Computer, di ~/.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"

Dua catatan penting dari Meta. Keluar (log out) dari OpenAI di Codex terlebih dahulu, jika tidak Codex akan terus menggunakan provider OpenAI. Selain itu, parameter wire_api = "responses" sangat penting: Responses API mempertahankan alur penalaran (reasoning) lintas giliran (turns), yang menjaga koherensi selama eksekusi jangka panjang.

Kunci API dimasukkan ke dalam environment proses yang menjalankan Codex, yaitu layanan lokal pada Sharkly Computer. Atur MODEL_API_KEY di tempat layanan tersebut membaca environment-nya, lalu mulai ulang (restart) layanan tersebut. Jangan memasukkan kunci ke dalam Sharkly. Dokumentasi Computers secara tegas menyatakan bahwa kata sandi, token, dan API key tidak boleh dicantumkan pada kolom executable, arguments, maupun environment di Runtime. Kolom-kolom tersebut ditujukan untuk nilai default, bukan data rahasia.

Uji coba di terminal standar pada host tersebut sebelum membuka board:

codex "Say which model you are and stop."

Jika Codex merespons dari muse-wonder-1.0, Sharkly siap menggunakannya. Buka detail Computer dan jalankan rescan atau uji koneksi. Runtime Codex akan berstatus Available. Status Computer yang menampilkan online hanya menandakan bahwa layanan lokalnya mengirimkan sinyal heartbeat; status Runtime-lah yang menentukan apakah eksekusi sudah bisa dimulai.

Jika Anda lebih memilih Claude Code sebagai Runtime, panduan Meta memetakan slot model sebagai berikut: ANTHROPIC_BASE_URL="https://api.meta.ai", ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY", ANTHROPIC_MODEL="muse-wonder-1.0", slot Opus ke Wonder, slot Sonnet dan Haiku serta CLAUDE_CODE_SUBAGENT_MODEL ke muse-spark-1.3, dan ENABLE_TOOL_SEARCH="true" agar alat MCP tetap dapat dimuat. Setiap slot memerlukan model Meta, jika tidak, Plan Mode dan subagen akan mencoba memanggil model Claude yang tidak disediakan oleh Meta. Aturan yang sama tetap berlaku: simpan kunci di host environment, bukan pada kolom di Sharkly.

Langkah 2: Menyiapkan Agent yang menyatakan model yang digunakannya

Buka menu Agents, pilih New Agent, tentukan Computer dan Runtime Codex, lalu beri nama Agent sesuai jalurnya, misalnya Long-run worker alih-alih Muse. Di Custom arguments, tentukan modelnya, muse-wonder-1.0, sesuai dengan yang telah Anda uji. Atur working directory ke opsi Create temporary directory agar setiap Task berjalan secara terisolasi, dan atur batas waktu (timeout) per Task lebih panjang daripada yang biasa Anda atur untuk jalur reguler. Daya tarik utama yang ditawarkan Meta untuk model ini adalah ketahanannya untuk terus bekerja, dan SWE-Marathon mengukur aspek tersebut secara spesifik.

Karena Sharkly tidak menampilkan model secara otomatis, instruksi berikut meminta Agent untuk menuliskannya secara eksplisit:

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.

Instruksi keempat tersebut dicantumkan bukan tanpa alasan. Artificial Analysis memberi skor 25 untuk Wonder pada indeks pengetahuannya dibandingkan dengan 46 untuk Opus 5.5, dengan tingkat halusinasi sebesar 27%. Model ini adalah pekerja tangguh namun bukan ensiklopedia yang andal; instruksi ini mempertegas peran yang harus dijalankannya.

Langkah 3: Rute Task berdurasi panjang ke jalur ini

Berikut peruntukan jalur ini, berdasarkan kartu model Meta dan pengujian independen:

Harga sama, karakteristik berbeda. Aturan perutean untuk sebuah Crew sangat jelas:

• Tugaskan ke Agent Muse Wonder ketika Task berdurasi panjang, terdiri dari banyak langkah, dan berpotensi menemui hambatan (blocker): refaktorisasi multi-berkas, migrasi dependensi dengan pengujian gagal yang perlu ditangani, serta siklus perbaikan dan verifikasi terhadap suite tes yang flaki (tidak stabil).
• Tetap gunakan Opus 5.5 atau Astra ketika Task dominan di terminal, memerlukan pengetahuan faktual yang luas, atau membutuhkan peninjauan paling mendalam. Artikel Agen mana yang mendapatkan Task membahas aturan umumnya secara mendalam.

Selanjutnya, pilih Task dengan kriteria penerimaan yang jelas, pilih Agent Muse Wonder sebagai Assignee, lalu pindahkan dari Backlog ke status yang siap dikerjakan. Proses berjalan melalui status queued, dispatched, dan running, sementara log eksekusi mencatat pemanggilan alat (tool calls) dan peristiwa Runtime. Saat Agent berhenti untuk bertanya, pertanyaan tersebut akan dikirimkan kembali ke Task sebagai komentar dan masuk ke Inbox. Meta melatih Wonder untuk meminta konfirmasi sebelum melakukan tindakan penting; di board, konfirmasi ini memiliki tempat pelaporan yang jelas. Artikel Active Focus dan antrean review membahas langkah yang perlu diambil selanjutnya.

Model yang tidak dapat Anda jalankan: Muse Wonder Full

Muse Wonder Full meraih skor 56 dibandingkan Wonder dengan skor 52, serta menyamai Claude Code di Sonnet 5.5 dengan skor 68 pada Coding Agents Index. Model ini hanya tersedia di dalam Muse Code pada paket Power seharga $50 dan Maximum seharga $200. Model ini tidak memiliki model ID di API, sehingga baik Codex maupun Claude Code tidak dapat diarahkan ke model tersebut, dan Muse Code bukanlah Runtime yang terdeteksi oleh layanan lokal Sharkly. Sharkly memang menyediakan custom ACP Runtime untuk alat yang tidak terdeteksi, namun dokumentasi Meta tidak menyebutkan apakah Muse Code mendukung ACP, sehingga anggap saja hal tersebut belum teruji. Bagi sebuah tim, Full adalah model yang digunakan satu engineer langsung di terminal, bukan model yang dapat ditugaskan secara otomatis melalui board. Artikel Muse Wonder Full hanya tersedia lewat langganan membahas lebih jauh tentang implikasi hal ini.

Biaya dan data

Semua biaya ini tidak akan masuk ke dalam tagihan Sharkly. Penggunaan model berjalan melalui kunci Meta yang dikonfigurasi pada Computer, dengan tarif resmi Meta: $4 / $20 / $0,20 cached per satu juta token, tanpa biaya tambahan untuk konteks panjang (long-context premium), serta batas penggunaan seluruh tim sebesar 3.000 permintaan dan 4M token per menit. Eksekusi yang panjang mengirimkan ulang konteksnya di setiap giliran, sehingga jalur Muse Wonder secara alami sangat mengandalkan cache (cache-heavy); Artificial Analysis mencatat biaya rata-rata $4,52 per tugas dibandingkan $5,98 untuk Opus 5.5, terutama karena biaya output Wonder yang lebih murah.

Lalu lintas API dalam mode Standard Meta tidak digunakan untuk pelatihan model (training). Ini berbeda dengan langganan Muse Code yang secara default menggunakan mode Contributor. Karena Runtime pada Computer menggunakan API, kode tim Anda tetap aman dan tidak akan dimasukkan ke dalam data pelatihan Meta tanpa perlu mengaktifkan pengaturan khusus apa pun.

Model AI terus berkembang minggu ini. Namun konteks, progres, hambatan, hasil, dan peninjauan manual oleh manusia tetap terpantau jelas dari tahap permintaan hingga rilis. Anda dapat membangun alur ini secara manual menggunakan worktree, atau memanfaatkan Sharkly untuk mengelola alur kerja tersebut.