Como executar agentes do Muse Wonder no Sharkly

A Meta lançou o Muse Wonder em 12 de outubro por US$ 4 por milhão de tokens de entrada e US$ 20 por milhão de saída, com uma janela de contexto de 1 milhão de tokens e uma API compatível com três formatos: OpenAI Responses, Chat Completions e Anthropic Messages. É justamente esse último detalhe que permite utilizá-lo hoje mesmo em um quadro do Sharkly. O guia de agentes de código da Meta documenta a execução do Codex e do Claude Code no muse-wonder-1.0 apontando-os para api.meta.ai, e ambos são Runtimes que um Sharkly Computer pode expor. O modelo destacado nos principais benchmarks da Meta, o Muse Wonder Full, não está disponível na API e não pode ser usado como modelo de um Runtime; falaremos mais sobre isso adiante.

Este guia mostra como configurar uma esteira com o Muse Wonder em um Sharkly Computer existente usando o Runtime do Codex, nomear o modelo no Agent para que o quadro exiba para qual esteira uma Task foi enviada e dimensionar o trabalho de acordo com os pontos fortes apontados pelos números da Meta e da Artificial Analysis: execuções agênticas longas.

TL;DR

Configure um provedor da Meta para o Codex em ~/.codex/config.toml no Computer, com model = "muse-wonder-1.0", wire_api = "responses" e a chave lida a partir de MODEL_API_KEY no ambiente do serviço local. Faça uma nova varredura até que o Runtime do Codex apareça como Available. Crie um Agent nesse Runtime, especifique o modelo em seus Custom arguments e atribua a ele as Tasks mais longas: refatorações em várias etapas, migrações e ciclos de revisão e correção. Mantenha as tarefas que exigem muito conhecimento factual ou uso intensivo de terminal com os Agents Opus 5.5 ou Astra. Os Agents pesquisam, executam, testam e reportam; a Task traz o resultado.

Onde fica a configuração do modelo

O Sharkly não seleciona modelos por conta própria. A documentação dos Agents explica que um Agent segue o modelo padrão do Runtime, não exibe o nome do modelo e que, para alterá-lo, você deve especificá-lo nos Custom arguments do Agent ou do Runtime, por exemplo: specify model: model-name. Não há menu suspenso para seleção de modelos nem controle de profundidade de raciocínio (thinking depth), pois o Sharkly não consegue identificar com precisão qual modelo um Runtime utilizou.

No caso de um modelo da Meta, isso envolve duas camadas. O provedor — onde o Runtime localiza a api.meta.ai e sua respectiva chave — fica na própria configuração do Runtime no Computer. Já a escolha do modelo fica no Agent. Dessa forma, um único Computer pode hospedar um Agent do Muse Wonder e um Agent do Opus 5.5 em Runtimes distintos, com o modelo indicado de forma visível para quem for revisar.

Etapa 1: configurar um provedor da Meta para o Codex no Computer

O guia da Meta fornece a configuração necessária para o Codex. No Computer, edite o arquivo ~/.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"

Duas observações importantes da Meta: primeiro, desconecte-se da OpenAI no Codex antes de começar, caso contrário ele continuará usando o provedor da OpenAI. Além disso, a diretiva wire_api = "responses" é fundamental: a API de Responses preserva o raciocínio ao longo dos turnos de interação, garantindo a coerência em execuções longas.

A chave deve ser definida no ambiente do processo que inicializa o Codex — que, em um Sharkly Computer, é o serviço local. Defina MODEL_API_KEY onde esse serviço lê suas variáveis de ambiente e, em seguida, reinicie-o. Não insira a chave no Sharkly. A documentação dos Computers deixa claro que senhas, tokens e chaves de API não devem ser colocados nos campos de executável, argumentos ou ambiente do Runtime. Esses campos existem para valores padrão, não para segredos.

Faça um teste diretamente no terminal desse host antes de mexer no quadro:

codex "Say which model you are and stop."

Se o Codex responder a partir do muse-wonder-1.0, o Sharkly já pode utilizá-lo. Abra os detalhes do Computer e execute a nova varredura ou o teste de conexão. O Runtime do Codex deve passar para o status Available. Um Computer com status online significa apenas que seu serviço local está enviando heartbeats; o status do Runtime é o que realmente indica que uma execução pode ser iniciada.

Se preferir usar o Claude Code como Runtime, o guia da Meta mapeia os slots de modelos: ANTHROPIC_BASE_URL="https://api.meta.ai", ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY", ANTHROPIC_MODEL="muse-wonder-1.0", o slot do Opus para o Wonder, os slots do Sonnet e do Haiku e CLAUDE_CODE_SUBAGENT_MODEL para muse-spark-1.3, além de ENABLE_TOOL_SEARCH="true" para garantir que as ferramentas MCP continuem carregando. Cada slot precisa apontar para um modelo da Meta, caso contrário o Plan Mode e os subagentes tentarão chamar modelos do Claude que a Meta não disponibiliza. A mesma regra se aplica: a chave deve ficar nas variáveis de ambiente do host, nunca em um campo do Sharkly.

Etapa 2: configurar um Agent que identifique qual modelo está usando

Acesse Agents, selecione New Agent, escolha o Computer e o Runtime do Codex e dê ao Agent um nome relacionado à sua função na esteira, como Long-run worker em vez de apenas Muse. Em Custom arguments, especifique o modelo como muse-wonder-1.0, correspondendo ao que você testou. Configure o diretório de trabalho como Create temporary directory para que cada Task rode de forma isolada e defina um tempo limite por Task mais longo do que o habitual para esteiras de baixo custo. O grande apelo da Meta para este modelo é justamente sua capacidade de manter o foco em execuções prolongadas, e o benchmark SWE-Marathon mede exatamente isso.

Como o Sharkly não exibirá o modelo automaticamente, instrua o Agent a registrá-lo explicitamente:

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.

A quarta instrução tem um bom motivo para estar ali. A Artificial Analysis atribui ao Wonder uma pontuação de 25 em seu índice de conhecimento, contra 46 do Opus 5.5, além de uma taxa de alucinação de 27%. Ele é um executor competente, mas uma enciclopédia fraca; a instrução define claramente qual papel ele deve assumir.

Etapa 3: direcionar as Tasks longas para esta esteira

Para que serve essa esteira, com base no model card da Meta e em testes independentes:

Mesmo preço, perfis bem diferentes. A regra de roteamento para uma Crew decorre diretamente disso:

• Atribua ao Agent Muse Wonder quando a Task for longa, envolver muitas etapas e estiver sujeita a bloqueios: uma refatoração em múltiplos arquivos, uma migração de dependências com testes quebrando pelo caminho ou um ciclo de correção e verificação em uma suíte de testes instável (flaky).
• Mantenha no Opus 5.5 ou Astra quando a Task exigir uso pesado do terminal, demandar amplo conhecimento factual ou precisar do revisor mais criterioso. O artigo Qual agente deve receber a Task aborda a regra geral.

Depois, escolha uma Task com critérios claros de aceitação, defina o Agent Muse Wonder como Assignee e mova-a do Backlog para um status pronto para execução. A execução passa pelas fases queued, dispatched e running, e o log de execução registra as chamadas de ferramentas e os eventos do Runtime. Quando o Agent pausar para fazer uma pergunta, ela será adicionada à Task como um comentário e encaminhada para a Inbox. A Meta treinou o Wonder para consultar um humano antes de tomar decisões críticas; em um quadro, essa confirmação tem um destino bem definido. O artigo Active Focus e a fila de revisão explora como lidar com isso.

O que não é possível executar: Muse Wonder Full

O Muse Wonder Full atinge 56 pontos contra 52 do Wonder padrão e empata com o Claude Code no Sonnet 5.5 com 68 pontos no Coding Agents Index. No entanto, ele só está disponível dentro do Muse Code nos planos Power (US$ 50) e Maximum (US$ 200). Ele não possui um ID de modelo na API, de modo que nem o Codex nem o Claude Code podem ser apontados para ele, e o Muse Code não é um Runtime reconhecido pelo serviço local do Sharkly. O Sharkly oferece um Runtime ACP personalizado para ferramentas que a detecção padrão não identifica, mas a documentação da Meta não especifica se o Muse Code oferece suporte ao ACP — portanto, considere essa abordagem como não testada. Para uma equipe, o Full é um modelo que um engenheiro utiliza diretamente no terminal, não algo que possa ser atribuído em um quadro. O artigo Muse Wonder Full é exclusivo para assinantes detalha essas implicações.

Custos e dados

Nada disso entra na fatura do Sharkly. O consumo do modelo é cobrado diretamente na chave da Meta configurada no Computer, segundo os preços da Meta: US$ 4 / US$ 20 / US$ 0,20 por milhão de tokens (sendo este último em cache), sem cobrança adicional por contexto longo e com um limite por equipe de 3.000 requisições e 4 milhões de tokens por minuto. Como execuções longas reenviam o contexto a cada turno, uma esteira com o Muse Wonder utiliza muito cache por natureza; a Artificial Analysis registrou US$ 4,52 por tarefa contra US$ 5,98 no Opus 5.5, principalmente porque a geração de saída do Wonder foi mais barata.

O tráfego de API no modo Standard da Meta não é utilizado para treinamento de modelos. Esse comportamento é diferente das assinaturas do Muse Code, que vêm por padrão no modo Contributor. Como um Runtime em um Computer utiliza a API, o código da equipe não entra no conjunto de treinamento da Meta, sem que ninguém precise alterar nenhuma configuração.

O modelo mudou esta semana. Contexto, progresso, impedimentos, resultados e revisão humana continuaram visíveis desde a solicitação inicial até a publicação em produção. Você pode estruturar isso manualmente com worktrees ou contar com o Sharkly para gerenciar todo o fluxo de trabalho.