터미널 기반 AI 코딩 에이전트인 Muse Code(베타)

NVIDIA Hopper 하드웨어에서 24시간 동안 1,000회 이상의 도구 호출을 수행하며 GPU 커널을 자율적으로 최적화한 사례에 이어, 이제 개발자는 단 한 줄의 curl 명령어로 macOS와 리눅스에 독점형 하네스(소프트웨어 실행 환경)를 설치할 수 있게 됐다. 메타가 터미널 기반 AI 코딩 에이전트인 Muse Code(베타)와 코딩 특화 모델 Muse Spark 1.2를 함께 내놓으며 앤스로픽의 클로드 코드(Claude Code), 오픈AI의 코덱스(Codex)와 직접 경쟁에 나선 결과다.

Muse Code는 규모가 큰 코드 저장소에서 어떤 부분을 어떻게 수정할지 변경 계획을 세우고, 실제 코드를 작성한 뒤 그 결과가 의도대로 작동하는지 검증하는 소프트웨어 엔지니어링 전 과정을 수행한다. 개발자가 터미널에서 명령을 내리면 AI가 스스로 판단해 코드를 수정하고 확인하는 에이전트 방식으로 작동한다.

이번 제품은 라마(Llama)처럼 모델의 가중치를 공개하는 오픈 웨이트 전략과는 완전히 다른 길을 택했다. 모델부터 실행 도구까지 모두 폐쇄적인 독점 형태로 제공하며, 이를 사용하기 위해서는 메타 계정으로 로그인하고 결제 정보를 입력하는 과정이 필수적이다.

기술이 실제로 작동하는 방식

82.9%라는 수치는 Terminal-Bench 2.1(터미널 기반 코딩 작업 성능 측정 지표)에서 Muse Spark 1.2가 기록한 성적이다. OpenAI의 GPT-5.6 Terra(81.8%)와 xAI의 Grok 4.5(81.6%)를 앞선 결과다. 다만 Anthropic의 Opus 5가 Claude Code에서 기록한 86.7%에는 미치지 못했다. 최상위권 모델들과 어깨를 나란히 하는 수준까지 성능을 끌어올렸다.

이런 결과는 Muse Code와 함께 훈련하며 도구의 특성을 몸에 익힌 덕분이다. 특히 하네스 궤적(도구가 문제를 해결하기 위해 밟는 실제 단계와 경로)을 학습 데이터로 사용했다. Muse Code라는 환경 안에서 가장 효율적으로 움직이도록 세밀하게 조정했다.

스스로 문제를 내고 채점하는 방식의 자체 개선 루프(self-improvement loop)도 적용했다. 이전 버전인 Muse Spark 1.1이 까다로운 코딩 환경과 지시어 템플릿을 직접 만들었다. 이후 모델이 내놓은 여러 정답 후보를 기준에 맞춰 직접 평가하며 정답률을 높였다. AI가 스스로 학습 교재를 만들고 공부하며 진화한 셈이다.

세션 내내 특화된 에이전트를 유지하는 '비동기 백그라운드'

매번 새로운 에이전트를 생성해 정보를 다시 수집하던 기존의 지연 시간을 없앴다. 세션 전체에서 특화된 비동기 백그라운드 에이전트(작업 배경에서 계속 작동하는 보조 프로그램)를 활성 상태로 유지하는 방식을 쓴다. 작업이 바뀔 때마다 도우미를 새로 고용하는 대신, 이미 맥락을 알고 있는 전담 팀을 계속 옆에 두는 구조다. 불필요한 정보 수집 단계를 줄여 전체적인 응답 속도와 작업 흐름을 매끄럽게 만들었다.

대규모 작업이 시작되면 격리된 git worktree(코드 저장소를 독립적으로 복제한 작업 공간)에서 여러 서브 에이전트가 병렬로 움직인다. 모든 모델 호출과 도구 실행, 승인 및 편집 내역은 실행 직전 로컬 이벤트 로그에 빠짐없이 기록된다. 이를 통해 작업 과정의 투명성을 확보하고 감사 가능성을 높였다. 예기치 못한 시스템 충돌이 발생해도 로그에 남은 기록을 바탕으로 정확히 멈춘 지점부터 다시 시작할 수 있어 작업 손실을 막는다.

설치는 `curl -fsSL https://dev.meta.ai/install.sh | bash` 명령어로 가능하며 Meta 계정과 결제 정보가 필요하다. 절대적인 벤치마크 수치는 Claude Opus 5에 밀리지만, 로컬 감사 로그를 통한 복구 안정성과 장시간 자율 작업 능력을 기준으로 선택하면 된다.