วิธีรัน Muse Wonder Agents บน Sharkly

Meta เปิดตัว Muse Wonder เมื่อวันที่ 12 ตุลาคมที่ผ่านมา ด้วยราคา 4 ดอลลาร์ต่อ 1 ล้าน input token และ 20 ดอลลาร์ต่อ 1 ล้าน output token พร้อม context window ขนาด 1M token และ API ที่รองรับถึง 3 รูปแบบ (dialects) ได้แก่ OpenAI Responses, Chat Completions และ Anthropic Messages ซึ่งจุดเด่นข้อสุดท้ายนี้เองที่ทำให้เราสามารถนำโมเดลนี้มาใช้งานร่วมกับบอร์ด Sharkly ได้ทันทีในปัจจุบัน ในคู่มือ coding-agents ของ Meta ได้อธิบายวิธีรัน Codex และ Claude Code บน muse-wonder-1.0 โดยชี้ไปที่ api.meta.ai ซึ่งทั้งสองเครื่องมือนี้ต่างเป็น Runtime ที่ Sharkly Computer รองรับ อย่างไรก็ตาม โมเดลที่ปรากฏในเบนช์มาร์กหลักของ Meta อย่าง Muse Wonder Full นั้นไม่มีให้บริการผ่าน API จึงไม่สามารถนำมาใช้เป็นโมเดลของ Runtime ได้ ซึ่งเราจะพูดถึงรายละเอียดในส่วนถัดไป

คู่มือนี้จะพาคุณตั้งค่าเลนการทำงานสำหรับ Muse Wonder บน Sharkly Computer ที่มีอยู่เดิมโดยใช้ Codex Runtime พร้อมตั้งชื่อโมเดลบน Agent เพื่อให้บอร์ดแสดงชัดเจนว่า Task ถูกส่งไปยังเลนใด รวมถึงปรับขนาดและเลือกประเภทงานให้ตรงกับจุดเด่นของโมเดลตามตัวเลขทดสอบของ Meta และ Artificial Analysis นั่นคือ งานเอเจนต์ที่ต้องรันต่อเนื่องเป็นเวลานาน (long agentic runs)

สรุปใจความสำคัญ (TL;DR)

กำหนดค่า provider ของ Meta สำหรับ Codex ใน ~/.codex/config.toml บน Computer โดยตั้งค่า model = "muse-wonder-1.0", wire_api = "responses" และให้อ่านคีย์จาก MODEL_API_KEY ใน environment ของ local service จากนั้นสั่ง Rescan จนกว่า Codex Runtime จะขึ้นสถานะ Available ต่อมาให้สร้าง Agent บน Runtime นั้น พร้อมระบุโมเดลใน Custom arguments แล้วมอบหมาย Task ระยะยาวให้ เช่น งาน refactor โค้ดหลายขั้นตอน งานย้ายระบบ (migration) หรืองานลูปตรวจสอบและแก้ไขโค้ด (review-and-fix loops) ส่วนงานที่เน้นการค้นหาข้อมูลความรู้เชิงลึกหรืองานที่ใช้งานเทอร์มินัลหนักๆ ให้ส่งไปที่ Opus 5.5 หรือ Astra Agent แทน ทั้งนี้ Agent จะทำหน้าที่ค้นคว้า ดำเนินการ ทดสอบ และรายงานผล โดยผลลัพธ์ทั้งหมดจะถูกบันทึกไว้ใน Task

การตั้งค่าโมเดลถูกจัดเก็บไว้ที่ไหน

Sharkly ไม่ได้ทำหน้าที่เลือกโมเดลให้โดยตรง จากเอกสารคู่มือของ Agents ระบุว่า Agent จะใช้โมเดลเริ่มต้นตาม Runtime และจะไม่แสดงชื่อโมเดล หากต้องการเปลี่ยนโมเดล คุณต้องระบุโมเดลที่ต้องการลงในฟิลด์ Custom arguments ของ Agent หรือ Runtime เช่น specify model: model-name ระบบไม่มีเมนูดรอปดาวน์ให้เลือกโมเดลและไม่มีการควบคุม thinking depth เนื่องจาก Sharkly ไม่สามารถตรวจสอบได้อย่างแม่นยำว่า Runtime นั้นใช้โมเดลใดอยู่จริง

สำหรับโมเดลของ Meta นั้นหมายความว่าจะมีการตั้งค่าแยกเป็น 2 ส่วน (layer) ส่วนแรกคือ provider ซึ่งระบุให้ Runtime รู้จักกับ api.meta.ai และคีย์ที่ใช้งาน โดยส่วนนี้จะอยู่ในไฟล์คอนฟิกของ Runtime บน Computer เอง ส่วนที่สองคือการเลือกตัวโมเดล ซึ่งจะกำหนดไว้ที่ Agent ด้วยวิธีนี้ Computer เครื่องเดียวจึงสามารถรองรับได้ทั้ง Muse Wonder Agent และ Opus 5.5 Agent บนคนละ Runtime ได้อย่างสะดวก พร้อมทั้งแสดงชื่อโมเดลอย่างชัดเจนให้ผู้ตรวจสอบสามารถอ่านได้ทันที

ขั้นตอนที่ 1: กำหนดค่า Meta provider ให้กับ Codex บน Computer

คู่มือของ Meta ได้อธิบายการกำหนดค่า Codex เอาไว้ โดยบน Computer ให้เข้าไปแก้ไขที่ ~/.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"

ข้อควรทราบ 2 ข้อจาก Meta: ข้อแรก ให้ล็อกเอาต์ออกจาก OpenAI ใน Codex ก่อน มิฉะนั้นระบบจะยังคงใช้งาน OpenAI provider อยู่ต่อไป และข้อสอง การตั้งค่า wire_api = "responses" มีความสำคัญมาก เพราะ Responses API จะส่งต่อกระบวนการคิด (reasoning) ข้ามแต่ละเทิร์น ซึ่งช่วยให้การทำงานระยะยาวมีความต่อเนื่องและสอดคล้องกันตลอดทั้งกระบวนการ

ส่วนคีย์ API จะต้องกำหนดไว้ในตัวแปร environment ของโปรเซสที่ใช้เริ่มต้นการทำงานของ Codex ซึ่งสำหรับ Sharkly Computer ก็คือ local service ให้ตั้งค่า MODEL_API_KEY ในตำแหน่งที่เซอร์วิสดังกล่าวอ่านค่า environment จากนั้นสั่งรีสตาร์ตเซอร์วิส ห้ามนำคีย์ไปใส่ไว้ใน Sharkly โดยตรง เพราะในเอกสารคู่มือของ Computers ระบุไว้อย่างชัดเจนว่า ไม่ควรใส่รหัสผ่าน โทเคน หรือคีย์ API ลงในฟิลด์ executable, arguments หรือ environment ของ Runtime เนื่องจากฟิลด์เหล่านี้มีไว้สำหรับค่าเริ่มต้นทั่วไป ไม่ใช่สำหรับเก็บข้อมูลความลับ

ก่อนที่จะเริ่มตั้งค่าบนบอร์ด ให้ทดสอบผ่านเทอร์มินัลทั่วไปบนโฮสต์นั้นก่อน:

codex "Say which model you are and stop."

หาก Codex ตอบกลับมาจาก muse-wonder-1.0 แสดงว่า Sharkly พร้อมใช้งานแล้ว ให้เปิดหน้ารายละเอียดของ Computer แล้วกด rescan หรือ connection test โดยสถานะของ Codex Runtime ควรจะเปลี่ยนเป็น Available โปรดทราบว่า Computer ที่แสดงสถานะ online หมายถึง local service กำลังส่งสัญญาณ heartbeat เท่านั้น แต่สถานะของ Runtime ต่างหากที่เป็นตัวบ่งชี้ว่าพร้อมสำหรับการเริ่มรันงานจริง

หากคุณต้องการใช้ Claude Code เป็น Runtime แทน คู่มือของ Meta ได้จับคู่ช่องโมเดล (model slots) ไว้ดังนี้: ANTHROPIC_BASE_URL="https://api.meta.ai", ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY", ANTHROPIC_MODEL="muse-wonder-1.0" โดยกำหนดสล็อต Opus ให้เป็น Wonder ส่วนสล็อต Sonnet และ Haiku รวมถึง CLAUDE_CODE_SUBAGENT_MODEL ให้กำหนดเป็น muse-spark-1.3 และตั้งค่า ENABLE_TOOL_SEARCH="true" เพื่อให้เครื่องมือ MCP ยังคงโหลดได้ตามปกติ ทั้งนี้ ทุกสล็อตจำเป็นต้องใช้โมเดลของ Meta มิฉะนั้น Plan Mode และเอเจนต์ย่อย (subagents) จะพยายามเรียกใช้โมเดล Claude ซึ่ง Meta ไม่ได้เปิดให้บริการ และยังคงใช้กฎเดิมเช่นกัน นั่นคือให้เก็บคีย์ไว้ใน environment ของโฮสต์ ไม่ใช่ในฟิลด์ของ Sharkly

ขั้นตอนที่ 2: สร้าง Agent ที่ระบุว่าตนเองใช้โมเดลใด

ไปที่เมนู Agents เลือก New Agent จากนั้นเลือก Computer และ Codex Runtime พร้อมตั้งชื่อ Agent ตามเลนการทำงาน เช่น Long-run worker แทนที่จะใช้ชื่อ Muse ในส่วนของ Custom arguments ให้ระบุโมเดลเป็น muse-wonder-1.0 ให้ตรงกับที่ได้ทดสอบไว้ ตั้งค่า working directory เป็น Create temporary directory เพื่อให้แต่ละ Task รันแยกออกจากกันอย่างเป็นอิสระ และกำหนดเวลา timeout ต่อ Task ให้ยาวนานกว่าเลนการทำงานทั่วไป จุดขายสำคัญของโมเดลนี้ตามที่ Meta ชูโรงคือความสามารถในการทำงานต่อเนื่องได้อย่างยาวนาน ซึ่งเกณฑ์ทดสอบอย่าง SWE-Marathon ก็วัดผลลัพธ์ในด้านนี้โดยตรง

เนื่องจาก Sharkly ไม่ได้แสดงชื่อโมเดลให้เห็นโดยตรง คำสั่งการทำงาน (instructions) จึงกำหนดให้ Agent บันทึกชื่อโมเดลไว้เสมอ:

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.

คำสั่งข้อที่สี่นั้นมีเหตุผลรองรับที่สำคัญ เพราะ Artificial Analysis ให้คะแนนดัชนีความรู้ (knowledge index) ของ Wonder เพียง 25 คะแนน เมื่อเทียบกับ 46 คะแนนของ Opus 5.5 อีกทั้งยังมีอัตราการ hallucination อยู่ที่ 27% เรียกได้ว่าโมเดลนี้เป็นผู้ลงมือทำงานที่เก่งกาจ แต่เป็นสารานุกรมที่ค่อนข้างอ่อนข้อ คำสั่งดังกล่าวจึงเป็นตัวกำหนดบทบาทที่ชัดเจนให้กับมัน

ขั้นตอนที่ 3: กระจาย Task ระยะยาวมายังเลนนี้

เป้าหมายการใช้งานเลนนี้ สรุปได้จาก model card ของ Meta และผลการทดสอบอิสระ ดังต่อไปนี้:

แม้ราคาจะเท่ากัน แต่จุดเด่นกลับต่างกันอย่างชัดเจน กฎการจัดสรรงาน (routing) สำหรับ Crew จึงสรุปได้ตรงไปตรงมาดังนี้:

• มอบหมายให้ Muse Wonder Agent เมื่องานนั้นเป็น Task ระยะยาว มีขั้นตอนซับซ้อนหลายขั้นตอน และมีโอกาสเจอปัญหาติดขัด (blockers) ระหว่างทาง เช่น การ refactor โค้ดหลายไฟล์พร้อมกัน การย้าย dependency ที่ต้องคอยไล่แก้การทดสอบที่ไม่ผ่าน หรือลูปตรวจสอบและแก้ไขข้อผิดพลาดกับชุดทดสอบที่ไม่เสถียร (flaky suite)
• มอบหมายให้ Opus 5.5 หรือ Astra ต่อไป เมื่องานนั้นต้องพึ่งพาคำสั่งบนเทอร์มินัลเป็นหลัก จำเป็นต้องใช้ความรู้รอบตัวหรือข้อเท็จจริงในวงกว้าง หรือต้องการตัวช่วยตรวจสอบโค้ดที่มีความละเอียดแม่นยำสูงสุด บทความ ควรเลือก Agent ตัวไหนสำหรับ Task ของคุณ ได้อธิบายหลักเกณฑ์ทั่วไปเหล่านี้ไว้อย่างละเอียด

จากนั้น เลือก Task ที่มีเกณฑ์การยอมรับ (acceptance criteria) ชัดเจน กำหนด Assignee เป็น Muse Wonder Agent แล้วย้ายการ์ดออกจาก Backlog ไปยังสถานะที่พร้อมเริ่มทำงาน ตัวระบบจะเปลี่ยนสถานะตามลำดับตั้งแต่ queued, dispatched ไปจนถึง running โดยที่ execution log จะคอยบันทึกการเรียกใช้เครื่องมือ (tool calls) และเหตุการณ์ต่างๆ ของ Runtime เอาไว้ และเมื่อ Agent หยุดเพื่อสอบถาม คำถามนั้นจะถูกส่งกลับมาเป็นคอมเมนต์ใน Task และส่งต่อไปยัง Inbox ทันที โดย Meta ได้ฝึกฝนโมเดล Wonder ให้หยุดสอบถามก่อนดำเนินการสิ่งสำคัญเสมอ ซึ่งบนบอร์ดทำงาน คำถามเหล่านี้จะมีพื้นที่รองรับอย่างเป็นระบบ บทความเรื่อง Active Focus และคิวตรวจสอบงาน จะช่วยแนะนำวิธีจัดการกับขั้นตอนดังกล่าว

สิ่งที่คุณไม่สามารถรันได้: Muse Wonder Full

Muse Wonder Full ทำคะแนนได้ 56 เทียบกับ Wonder ที่ได้ 52 คะแนน และได้คะแนนเท่ากับ Claude Code บน Sonnet 5.5 ที่ 68 คะแนนบน Coding Agents Index ทว่าโมเดลนี้เปิดให้ใช้งานได้เฉพาะภายใน Muse Code บนแพ็กเกจ Power ราคา 50 ดอลลาร์ และ Maximum ราคา 200 ดอลลาร์เท่านั้น โดยไม่มี model ID สำหรับ API ทำให้ทั้ง Codex และ Claude Code ไม่สามารถเชื่อมต่อไปยังโมเดลนี้ได้ อีกทั้ง Muse Code ก็ไม่ใช่ Runtime ที่ local service ของ Sharkly ตรวจจับได้ แม้ Sharkly จะมีฟังก์ชัน custom ACP Runtime สำหรับเครื่องมือที่ระบบตรวจหาไม่พบ แต่เอกสารของ Meta ไม่ได้ระบุไว้ว่า Muse Code รองรับโพรโทคอล ACP หรือไม่ จึงถือว่ายังไม่ผ่านการทดสอบ สำหรับทีมงานแล้ว Full จึงเป็นโมเดลที่วิศวกรใช้งานรายบุคคลในเทอร์มินัล ไม่ใช่โมเดลที่บอร์ดจะสามารถมอบหมายงานให้ได้ บทความ Muse Wonder Full เป็นโมเดลเฉพาะแพ็กเกจสมาชิก จะอธิบายความหมายและผลกระทบของประเด็นนี้เพิ่มเติม

ค่าใช้จ่ายและการจัดการข้อมูล

ค่าใช้จ่ายทั้งหมดนี้จะไม่มีการเรียกเก็บผ่านบิลของ Sharkly เลย เนื่องจากการใช้งานโมเดลจะหักค่าบริการผ่านคีย์ของ Meta ที่ตั้งค่าไว้บน Computer ตามอัตราค่าบริการของ Meta โดยตรง นั่นคือ 4 ดอลลาร์ / 20 ดอลลาร์ / 0.20 ดอลลาร์สำหรับ cached token ต่อ 1 ล้าน token โดยไม่มีการคิดค่าบริการส่วนเพิ่มสำหรับ long-context และมีข้อจำกัดการใช้งานทั้งทีมอยู่ที่ 3,000 requests และ 4 ล้าน token ต่อนาที การรันงานระยะยาวจะต้องส่ง context ซ้ำในแต่ละเทิร์น เลน Muse Wonder จึงพึ่งพาการทำงานของแคชเป็นหลักโดยธรรมชาติ จากการวัดผลของ Artificial Analysis พบว่าค่าใช้จ่ายเฉลี่ยอยู่ที่ 4.52 ดอลลาร์ต่อ task เมื่อเทียบกับ 5.98 ดอลลาร์สำหรับ Opus 5.5 ซึ่งสาเหตุหลักมาจากค่า output ของ Wonder ที่ถูกกว่า

ทราฟฟิก API ในโหมด Standard ของ Meta จะไม่ถูกนำไปใช้เทรนโมเดล ซึ่งต่างจากแพ็กเกจสมาชิกของ Muse Code ที่ตั้งค่าเริ่มต้นเป็นโหมด Contributor และเนื่องจาก Runtime บน Computer สื่อสารผ่าน API ซอร์สโค้ดของทีมคุณจึงไม่หลุดเข้าไปในชุดข้อมูลฝึกสอนของ Meta อย่างแน่นอน โดยที่คุณไม่ต้องไปคอยเปิดปิดการตั้งค่าใดๆ เพิ่มเติม

แม้โมเดลจะเพิ่งอัปเดตใหม่ในสัปดาห์นี้ แต่บริบทของงาน ความคืบหน้า ปัญหาติดขัด ผลลัพธ์ และการตรวจสอบโดยมนุษย์ยังคงมองเห็นได้อย่างชัดเจนตั้งแต่เริ่มต้นรีเควสต์ไปจนถึงขั้นตอน release คุณสามารถสร้างกระบวนการนี้ขึ้นมาเองได้ด้วย worktrees หรือจะใช้ Sharkly เข้ามาช่วยจัดการเวิร์กโฟลว์ทั้งหมดนี้ก็ได้เช่นกัน