Hướng dẫn chạy Muse Wonder Agents trên Sharkly

Meta đã phát hành Muse Wonder vào ngày 12 tháng 10 với mức giá 4 USD cho mỗi triệu token đầu vào và 20 USD cho mỗi triệu token đầu ra, hỗ trợ ngữ cảnh 1M token cùng API tương thích với ba chuẩn giao tiếp (dialect): OpenAI Responses, Chat Completions và Anthropic Messages. Điểm mấu chốt cuối cùng này chính là yếu tố giúp mô hình có thể sử dụng ngay trên bảng Sharkly hôm nay. Tài liệu hướng dẫn về coding-agent của Meta đã hướng dẫn chi tiết cách chạy Codex và Claude Code trên muse-wonder-1.0 bằng cách trỏ chúng về api.meta.ai, và cả hai đều là Runtime mà Sharkly Computer có thể cung cấp. Phiên bản mô hình được nhắc đến trong các bài benchmark nổi bật của Meta, Muse Wonder Full, hiện không có trên API và không thể dùng làm mô hình cho Runtime; phần chi tiết sẽ được đề cập bên dưới.

Hướng dẫn này sẽ thiết lập một lane Muse Wonder trên Sharkly Computer hiện có bằng Codex Runtime, đặt tên mô hình trên Agent để bảng hiển thị rõ Task đã được chuyển đến lane nào, đồng thời điều chỉnh khối lượng công việc phù hợp với thế mạnh của mô hình theo số liệu từ Meta và Artificial Analysis: các phiên chạy agentic dài hạn.

TL;DR

Cấu hình provider Meta cho Codex trong ~/.codex/config.toml trên Computer, với model = "muse-wonder-1.0", wire_api = "responses" và API key được đọc từ MODEL_API_KEY trong biến môi trường của local service. Quét lại (rescan) cho đến khi Codex Runtime hiển thị trạng thái Available. Tạo một Agent trên Runtime đó, chỉ định mô hình trong Custom arguments, rồi giao cho nó các Task dài: tái cấu trúc (refactor) trải qua nhiều bước, migration, hoặc các vòng lặp review và sửa lỗi. Hãy giữ những công việc đòi hỏi nhiều kiến thức chuyên sâu hoặc thao tác nhiều trên terminal cho các Agent Opus 5.5 hoặc Astra. Các Agent sẽ nghiên cứu, thực thi, kiểm thử và báo cáo; Task sẽ lưu trữ kết quả cuối cùng.

Cấu hình mô hình nằm ở đâu

Sharkly không trực tiếp chọn mô hình. Theo tài liệu về Agent, một Agent sẽ dùng mô hình mặc định của Runtime, không hiển thị tên mô hình, và để đổi mô hình, bạn cần chỉ định trong Custom arguments ở Agent hoặc Runtime, ví dụ: specify model: model-name. Tại đây không có menu thả xuống để chọn mô hình cũng như không có nút điều chỉnh độ sâu suy nghĩ (thinking-depth), vì Sharkly không thể xác định một cách chắc chắn mô hình nào đã được Runtime sử dụng.

Đối với mô hình của Meta, việc này gồm hai tầng cấu hình. Provider—nơi Runtime tìm đến api.meta.ai và key tương ứng—nằm trong phần cấu hình riêng của Runtime trên Computer. Lựa chọn mô hình lại nằm ở Agent. Nhờ đó, một Computer có thể vừa chạy Muse Wonder Agent vừa chạy Opus 5.5 Agent trên các Runtime khác nhau, với tên mô hình được ghi rõ ở vị trí mà reviewer có thể dễ dàng kiểm tra.

Bước 1: Thiết lập Meta provider cho Codex trên Computer

Hướng dẫn của Meta cung cấp sẵn cấu hình cho Codex. Trên Computer, hãy chỉnh sửa tệp ~/.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"

Hai lưu ý từ Meta: Trước tiên hãy đăng xuất khỏi OpenAI trong Codex, nếu không công cụ sẽ tiếp tục dùng provider của OpenAI. Và giá trị wire_api = "responses" đóng vai trò rất quan trọng: Responses API duy trì chuỗi suy luận qua các lượt tương tác (turns), giúp các phiên chạy dài luôn giữ được tính mạch lạc.

API key phải được đặt trong biến môi trường của tiến trình khởi chạy Codex—trên Sharkly Computer, đó chính là local service. Hãy thiết lập MODEL_API_KEY ở nơi local service đọc biến môi trường, sau đó khởi động lại service. Tuyệt đối không đưa key vào giao diện Sharkly. Tài liệu về Computers đã nêu rõ rằng mật khẩu, token và API key không được đặt trong các trường executable, arguments hay environment của Runtime. Những trường này chỉ dành cho các giá trị mặc định, không dành cho thông tin bí mật.

Hãy kiểm tra trong terminal thông thường trên host đó trước khi thao tác trên bảng:

codex "Say which model you are and stop."

Nếu Codex phản hồi từ muse-wonder-1.0, Sharkly đã có thể sử dụng được. Hãy mở phần chi tiết của Computer và chạy lệnh rescan hoặc kiểm tra kết nối. Codex Runtime sẽ hiển thị trạng thái Available. Một Computer hiển thị trạng thái online chỉ có nghĩa là local service đang gửi tín hiệu heartbeat; trạng thái của Runtime mới là yếu tố xác nhận phiên chạy có thể bắt đầu.

Nếu bạn muốn dùng Claude Code làm Runtime, hướng dẫn của Meta ánh xạ các model slot như sau: ANTHROPIC_BASE_URL="https://api.meta.ai", ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY", ANTHROPIC_MODEL="muse-wonder-1.0", gán slot Opus cho Wonder, các slot Sonnet và Haiku cùng CLAUDE_CODE_SUBAGENT_MODEL cho muse-spark-1.3, và ENABLE_TOOL_SEARCH="true" để các công cụ MCP vẫn được tải bình thường. Mọi slot đều cần một mô hình Meta, nếu không Plan Mode và các subagent sẽ cố gọi các mô hình Claude mà Meta không cung cấp. Quy tắc tương tự vẫn được áp dụng: đặt key trong biến môi trường của host, không điền vào trường dữ liệu trên Sharkly.

Bước 2: Tạo Agent tự khai báo mô hình đang sử dụng

Mở mục Agents, chọn New Agent, chọn Computer và Codex Runtime tương ứng, rồi đặt tên cho Agent theo đúng lane nhiệm vụ, ví dụ Long-run worker thay vì chỉ đặt là Muse. Trong Custom arguments, hãy chỉ định mô hình muse-wonder-1.0, khớp với những gì bạn đã kiểm tra trước đó. Đặt thư mục làm việc (working directory) thành Create temporary directory để mỗi Task chạy độc lập và cô lập hoàn toàn, đồng thời đặt thời gian chờ (timeout) cho mỗi Task dài hơn so với một lane thông thường giá rẻ. Điểm mạnh cốt lõi mà Meta quảng bá cho mô hình này là khả năng duy trì hoạt động bền bỉ, và SWE-Marathon được thiết kế để đo lường chính xác điều đó.

Vì Sharkly không hiển thị mô hình, các chỉ dẫn sẽ yêu cầu Agent tự ghi rõ thông tin này:

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.

Chỉ dẫn thứ tư xuất hiện ở đây đều có lý do. Artificial Analysis chấm Wonder đạt 25 điểm trên chỉ số tri thức (knowledge index) so với 46 điểm của Opus 5.5, kèm tỷ lệ ảo giác (hallucination rate) là 27%. Đây là một nhân công mẫn cán nhưng lại là một cuốn bách khoa toàn thư nghèo nàn; câu lệnh chỉ dẫn sẽ định hình rõ nó nên đóng vai trò nào.

Bước 3: Định tuyến các Task dài về lane này

Công dụng thực tế của lane này, dựa trên model card của Meta và các bài đánh giá độc lập:

Cùng mức giá, nhưng sở hữu thế mạnh khác nhau. Quy tắc định tuyến cho một Crew vì thế cũng rất rõ ràng:

• Giao cho Muse Wonder Agent khi Task có thời gian chạy dài, gồm nhiều bước và dễ gặp trở ngại: refactor trên nhiều tệp, migration các gói phụ thuộc (dependency) với các test case thất bại cần truy vết, hay vòng lặp sửa lỗi và xác minh trước một bộ kiểm thử không ổn định (flaky test suite).
• Giữ lại trên Opus 5.5 hoặc Astra khi Task phụ thuộc nhiều vào thao tác terminal, đòi hỏi kiến thức thực tế bao quát hoặc cần năng lực review chặt chẽ nhất. Bài viết Agent nào sẽ nhận Task đã trình bày quy tắc tổng quát này.

Sau đó, hãy chọn một Task có tiêu chí nghiệm thu (acceptance criterion) rõ ràng, chỉ định Assignee là Muse Wonder Agent và chuyển Task đó từ Backlog sang trạng thái sẵn sàng thực hiện. Phiên chạy sẽ lần lượt chuyển qua các trạng thái queued, dispatched và running, đồng thời nhật ký thực thi (execution log) sẽ ghi lại các lệnh gọi công cụ (tool calls) và sự kiện Runtime. Khi Agent dừng lại để hỏi, câu hỏi sẽ được gửi về Task dưới dạng bình luận và chuyển đến Inbox. Meta đã huấn luyện Wonder chủ động hỏi ý kiến trước các hành động quan trọng; và trên một bảng quản lý, câu hỏi đó có một nơi rõ ràng để tiếp nhận. Bài viết Active Focus và hàng đợi review sẽ giải thích chi tiết cách xử lý trong tình huống này.

Phiên bản bạn không thể chạy: Muse Wonder Full

Muse Wonder Full đạt 56 điểm so với 52 điểm của Wonder và ngang ngửa Claude Code chạy trên Sonnet 5.5 với 68 điểm trên Coding Agents Index. Tuy nhiên, nó chỉ khả dụng bên trong Muse Code ở các gói Power (50 USD) và Maximum (200 USD). Phiên bản này không có API model ID, do đó cả Codex lẫn Claude Code đều không thể trỏ tới, và Muse Code cũng không phải là Runtime mà local service của Sharkly có thể tự động nhận diện. Dù Sharkly có cung cấp tùy chọn ACP Runtime tùy chỉnh cho những công cụ không thể tự động phát hiện, tài liệu của Meta lại không nêu rõ Muse Code có hỗ trợ giao thức ACP hay không, nên tạm thời coi đây là trường hợp chưa được kiểm chứng. Đối với một đội ngũ, Full là mô hình mà một kỹ sư sử dụng trực tiếp trong terminal, chứ không phải mô hình có thể gán từ bảng điều khiển. Bài viết Muse Wonder Full chỉ dành cho thuê bao trả phí phân tích sâu hơn về ý nghĩa của điều này.

Chi phí và dữ liệu

Không khoản chi phí nào trong số này được tính vào hóa đơn của Sharkly. Lượng sử dụng mô hình được tính trực tiếp qua Meta API key đã cấu hình trên Computer theo biểu giá của Meta: 4 USD / 20 USD / 0,20 USD cho mỗi triệu token lưu trong bộ nhớ đệm (cache), không tính thêm phụ phí ngữ cảnh dài (long-context premium), cùng giới hạn toàn đội ngũ là 3.000 yêu cầu và 4M token mỗi phút. Các phiên chạy dài sẽ gửi lại ngữ cảnh ở mỗi lượt, do đó về bản chất lane Muse Wonder tận dụng cache rất nhiều; Artificial Analysis ghi nhận mức chi phí 4,52 USD cho mỗi tác vụ so với 5,98 USD của Opus 5.5, phần lớn nhờ chi phí token đầu ra của Wonder rẻ hơn.

Lưu lượng API ở chế độ Standard của Meta không được sử dụng để huấn luyện mô hình. Điều này khác với các gói thuê bao Muse Code vốn mặc định ở chế độ Contributor. Một Runtime chạy trên Computer sẽ sử dụng API, do đó mã nguồn của đội ngũ sẽ hoàn toàn không bị đưa vào tập dữ liệu huấn luyện của Meta mà không cần ai phải bật/tắt thiết lập thủ công nào.

Mô hình có thể đã thay đổi trong tuần này. Nhưng ngữ cảnh, tiến độ, các điểm nghẽn, kết quả và khâu đánh giá của con người vẫn luôn hiển thị minh bạch từ khâu yêu cầu đến khi phát hành. Bạn có thể tự thiết lập quy trình này bằng tay với worktree, hoặc sử dụng Sharkly để quản lý toàn bộ quy trình làm việc.