Sharkly'de Muse Wonder Agents Nasıl Çalıştırılır?

Meta, 12 Ekim'de 1 milyon girdi (input) token'ı başına 4 dolar ve 1 milyon çıktı (output) token'ı başına 20 dolar fiyatlandırmayla Muse Wonder'ı kullanıma sundu. Model, 1 milyon token'lık bir bağlam penceresine ve üç farklı diyalekti destekleyen bir API'ye sahip: OpenAI Responses, Chat Completions ve Anthropic Messages. Modeli bugün bir Sharkly panosu üzerinden kullanılabilir kılan da tam olarak bu sonuncu özellik. Meta'nın coding-agents rehberi, Codex ve Claude Code'un api.meta.ai adresine yönlendirilerek muse-wonder-1.0 üzerinde çalıştırılmasını belgeliyor; üstelik her ikisi de bir Sharkly Computer'ın sunabileceği Runtime'lar arasında yer alıyor. Meta'nın öne çıkan kıyaslama testlerinde (benchmark) adı geçen Muse Wonder Full modeli ise API'de mevcut değil ve bir Runtime modeli olarak kullanılamıyor; bu konunun ayrıntılarına aşağıda değineceğiz.

Bu rehber; Codex Runtime'ını kullanarak mevcut bir Sharkly Computer üzerinde bir Muse Wonder hattı kurmayı, panoda bir Görevin hangi hatta gittiğinin görünmesi için Ajan üzerinde model adını belirtmeyi ve iş yükünü Meta ile Artificial Analysis verilerinin modelin asıl güçlü yönü olarak gösterdiği alana, yani uzun soluklu otonom ajan çalıştırmalarına göre yapılandırmayı anlatıyor.

Özetle (TL;DR)

Computer üzerindeki ~/.codex/config.toml dosyasında Meta için bir Codex sağlayıcısı yapılandırın; burada model = "muse-wonder-1.0" ve wire_api = "responses" ayarlarını tanımlayın, anahtarın ise yerel servisin ortamındaki MODEL_API_KEY değişkeninden okunmasını sağlayın. Codex Runtime'ı "Available" durumuna gelene kadar yeniden tarama (rescan) yapın. Bu Runtime üzerinde bir Ajan oluşturun, Custom arguments alanında modeli belirtin ve uzun süren Görevleri buna verin: çok adımlı kod yeniden yapılandırmaları (refactor), geçişler (migration), inceleme ve düzeltme döngüleri. Yoğun bilgi ve yoğun terminal kullanımı gerektiren işleri ise Opus 5.5 veya Astra Ajanlarında tutun. Ajanlar araştırır, yürütür, test eder ve raporlar; Görev ise sonucu taşır.

Model ayarı nerede tanımlanır?

Sharkly model seçimi yapmaz. Agents dokümantasyonunda; bir Ajanın Runtime'ın varsayılan modelini izlediği, model adını görüntülemediği ve modeli değiştirmek için Ajan veya Runtime üzerindeki Custom arguments alanında bir model belirtmeniz gerektiği (örneğin specify model: model-name) ifade edilir. Sharkly bir Runtime'ın hangi modeli kullandığını güvenilir biçimde okuyamadığı için sistemde model açılır menüsü (dropdown) ya da düşünme derinliği (thinking-depth) denetimi bulunmaz.

Bir Meta modeli söz konusu olduğunda bu iki katman anlamına gelir: Runtime'ın api.meta.ai adresini ve anahtarını bulduğu sağlayıcı katmanı, Computer üzerindeki Runtime'ın kendi yapılandırmasında yer alır. Model tercihi ise Ajan üzerinde bulunur. Böylece tek bir Computer, farklı Runtime'lar üzerinde bir Muse Wonder Ajanını ve bir Opus 5.5 Ajanını barındırabilir; üstelik model bilgisi inceleyen kişinin rahatça görebileceği bir yere yazılmış olur.

1. Adım: Computer üzerinde Codex'e bir Meta sağlayıcısı ekleyin

Meta'nın rehberi gerekli Codex yapılandırmasını sunuyor. Computer üzerinde ~/.codex/config.toml dosyasında:

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"

Meta'dan iki önemli not: Öncelikle Codex'te OpenAI oturumunuzu kapatın, aksi takdirde OpenAI sağlayıcısını kullanmaya devam eder. İkinci olarak wire_api = "responses" ayarı kritik öneme sahiptir: Responses API, akıl yürütme (reasoning) sürecini turlar arasında taşır ve uzun süren bir çalıştırmanın tutarlı kalmasını sağlayan da tam olarak budur.

Anahtar, Codex'i başlatan sürecin ortam değişkenlerine eklenmelidir; bu da bir Sharkly Computer üzerinde yerel servistir. İlgili servisin ortam değişkenlerini okuduğu yerde MODEL_API_KEY değerini tanımlayın ve ardından servisi yeniden başlatın. Anahtarı kesinlikle Sharkly arayüzüne girmeyin. Computers dokümantasyonunda; parolaların, token'ların ve API anahtarlarının Runtime üzerindeki çalıştırılabilir dosya (executable), argümanlar veya ortam alanlarına ait olmadığı açıkça belirtilmiştir. Bu alanlar gizli bilgiler için değil, varsayılan ayarlar içindir.

Panoya geçmeden önce ilgili sunucuda standart bir terminalde test edin:

codex "Say which model you are and stop."

Codex yanıtı muse-wonder-1.0 üzerinden veriyorsa Sharkly bunu kullanabilir. Computer detaylarını açın ve yeniden tarama (rescan) veya bağlantı testini çalıştırın. Codex Runtime'ının durumu Available olarak görünmelidir. Bir Computer'ın online görünmesi yalnızca yerel servisinin düzenli sinyal (heartbeat) gönderdiği anlamına gelir; bir çalıştırmanın başlayabileceğini gösteren asıl durum Runtime durumudur.

Runtime olarak Claude Code'u tercih ediyorsanız Meta'nın rehberi model yuvalarını (slot) şu şekilde eşleştirir: ANTHROPIC_BASE_URL="https://api.meta.ai", ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY", ANTHROPIC_MODEL="muse-wonder-1.0"; Opus yuvası Wonder'a; Sonnet, Haiku yuvaları ve CLAUDE_CODE_SUBAGENT_MODEL ise muse-spark-1.3 modeline atanır. MCP araçlarının yüklenmeye devam etmesi için ENABLE_TOOL_SEARCH="true" yapılır. Her yuvanın bir Meta modeline atanması gerekir; aksi takdirde Plan Modu ve alt ajanlar (subagent), Meta'nın sunmadığı Claude modellerini çağırmaya çalışır. Burada da aynı kural geçerlidir: Anahtar Sharkly alanlarına değil, sunucu ortamına eklenmelidir.

2. Adım: Hangi model olduğunu belirten bir Ajan oluşturun

Agents bölümünü açın, New Agent'ı seçin, Computer'ı ve Codex Runtime'ını belirleyin ve Ajana "Muse" yerine çalışma hattına uygun bir isim verin (örneğin "Long-run worker"). Custom arguments alanında, test ettiğinizle eşleşecek şekilde muse-wonder-1.0 modelini belirtin. Çalışma dizinini (working directory) "Create temporary directory" olarak ayarlayın; böylece her Görev izole biçimde çalışır. Görev başına zaman aşımı süresini (timeout) de düşük maliyetli standart bir hatta kıyasla daha uzun tutun. Meta'nın bu model için sunduğu en büyük vaat, modelin durmaksızın çalışmaya devam edebilmesidir ve SWE-Marathon da tam olarak bunu ölçmektedir.

Sharkly modeli doğrudan göstermeyeceği için talimatlar Ajanın bunu rapora yazmasını sağlar:

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.

Dördüncü talimatın orada bulunmasının geçerli bir sebebi var: Artificial Analysis'in bilgi endeksinde (knowledge index) Wonder 25 puan alırken Opus 5.5 46 puana ulaşıyor ve Wonder'ın halüsinasyon oranı %27. O güçlü bir işçi ama zayıf bir ansiklopedi; talimat da ona hangisi olması gerektiğini açıkça söylüyor.

3. Adım: Uzun Görevleri bu hatta yönlendirin

Meta'nın model kartına ve bağımsız çalıştırma testlerine göre bu hattın kullanım amacı:

Fiyat aynı, yetenek profili farklı. Bir Ekip (Crew) için yönlendirme kuralı doğrudan ortaya çıkıyor:

• Görev uzun olduğunda, çok sayıda adım içerdiğinde ve engellerle karşılaşması muhtemel olduğunda Görevi Muse Wonder Ajanına atayın: çok dosyalık bir yeniden yapılandırma, takip edilmesi gereken başarısız testlerin bulunduğu bir bağımlılık geçişi ya da kararsız (flaky) bir test paketine karşı düzeltme ve doğrulama döngüleri gibi durumlar.
• Görev yoğun terminal kullanımı gerektirdiğinde, geniş kapsamlı olgusal bilgiye ihtiyaç duyduğunda veya en güçlü incelemeciyi gerektirdiğinde Opus 5.5 veya Astra'da tutun. Hangi ajanın Görevi alacağı başlıklı yazı genel kuralı ayrıntılarıyla ele alıyor.

Ardından, net bir kabul kriterine sahip bir Görev seçin, Atanan (Assignee) olarak Muse Wonder Ajanını belirleyin ve Görevi Backlog'dan çıkarıp çalışmaya hazır bir duruma getirin. Çalıştırma; kuyruğa alındı (queued), sevk edildi (dispatched) ve çalışıyor (running) aşamalarından geçerken yürütme günlüğü de araç çağrılarını ve Runtime olaylarını kaydeder. Ajan durup bir soru sorduğunda, bu soru Göreve bir yorum olarak eklenir ve Gelen Kutusuna (Inbox) yönlendirilir. Meta, Wonder'ı önemli işlemlerden önce teyit alacak şekilde eğitti; bir panoda bu teyit bildiriminin ulaşacağı somut bir yer vardır. Active Focus ve inceleme kuyruğu başlıklı yazı, bu bildirimlerle ne yapılması gerektiğini ele alıyor.

Çalıştıramayacağınız model: Muse Wonder Full

Muse Wonder Full, Coding Agents Index'te Wonder'ın 52 puanına karşılık 56 puan alıyor ve 68 puandaki Sonnet 5.5 tabanlı Claude Code ile başa baş gidiyor. Yalnızca Muse Code bünyesinde, 50 dolarlık Power ve 200 dolarlık Maximum planlarında sunuluyor. Bir API model kimliği (ID) bulunmadığından ne Codex ne de Claude Code bu modele yönlendirilebiliyor; ayrıca Muse Code, Sharkly'nin yerel servisinin algıladığı bir Runtime değil. Sharkly, tespit edilemeyen araçlar için özel bir ACP Runtime sunsa da Meta'nın belgelerinde Muse Code'un ACP desteği olup olmadığı belirtilmiyor; bu nedenle bunu henüz test edilmemiş olarak değerlendirin. Bir ekip için Full, bir panonun görev atayabileceği bir modelden ziyade bir mühendisin terminalde bireysel olarak kullanabileceği bir modeldir. Muse Wonder Full yalnızca abonelikle sunuluyor başlıklı yazı, bunun ne anlama geldiğini ayrıntılarıyla açıklıyor.

Maliyet ve veri

Bunların hiçbiri Sharkly faturasına yansımaz. Model kullanımı, Computer üzerinde yapılandırılan Meta anahtarı üzerinden ve doğrudan Meta'nın tarifeleriyle ücretlendirilir: 1 milyon token başına 4 $ girdi / 20 $ çıktı / önbelleğe alınmış (cached) 0,20 $, uzun bağlam ek ücreti olmaksızın ve ekip genelinde dakikada 3.000 istek ve 4 milyon token sınırı. Uzun soluklu çalıştırmalar her turda bağlamı tekrar gönderdiğinden, bir Muse Wonder hattı doğası gereği yoğun şekilde önbellek kullanır; Artificial Analysis, büyük ölçüde Wonder'ın çıktı maliyetinin daha düşük olması sayesinde görev başına maliyeti Opus 5.5 için 5,98 $ iken Wonder için 4,52 $ olarak ölçtü.

Meta'nın Standart modundaki API trafiği eğitim amacıyla kullanılmaz. Bu durum, varsayılan olarak Katılımcı (Contributor) moduna ayarlanmış Muse Code aboneliklerinden farklıdır. Computer üzerindeki bir Runtime doğrudan API'yi kullandığından, ekibinizin kodları kimsenin herhangi bir ayarı değiştirmesine gerek kalmadan Meta'nın eğitim veri setinin dışında kalır.

Bu hafta model değişti; ancak bağlam, ilerleme, engeller, sonuçlar ve insan incelemesi, talepten yayına kadar her aşamada görünür kalmaya devam etti. Bu yapıyı worktree'ler ile manuel olarak da kurabilir veya iş akışını yönetmek için Sharkly'den yararlanabilirsiniz.