meta-models/meta-model-cookbook
GitHub: meta-models/meta-model-cookbook
Meta Model API 的开发者示例集，提供从基础调用到多 agent 编排的端到端指南和可复用代码起点。
Stars: 6 | Forks: 0
# Meta Model API cookbook
关于在 Meta Model API 上构建 agent 和编码工具的指南，涵盖 API 基础、agent 模式以及端到端用例。
Meta Model API 允许你使用 Muse Spark 和你已经在使用的工具进行构建：它与 OpenAI SDK、Anthropic SDK 以及诸如 OpenCode 和 Claude Code 之类的 agent CLI 即插即用兼容。
将你的客户端指向 Model API base URL，设置你的 key，并保留你其余的代码。每个指南都是一个独立、可直接复制粘贴的起点，不仅验证了某项功能，还为你提供了进一步构建的基础。默认模型是 **Muse Spark** (`muse-spark-1.1`)，它具有 1,048,576-token 的上下文窗口；预览版免费。
## 开始使用
你需要一个 [Model API 账户](https://dev.meta.ai/) 和一个 API key。将 key 存储为环境变量，使其远离你的代码：
```
export MODEL_API_KEY="LLM|{numeric_id}|{secret}"
pip install openai
```
```
import os
from openai import OpenAI
# OpenAI SDK 不会自动读取 MODEL_API_KEY，因此请显式传递它。
client = OpenAI(
base_url="https://api.meta.ai/v1",
api_key=os.environ["MODEL_API_KEY"],
)
response = client.chat.completions.create(
model="muse-spark-1.1",
messages=[{"role": "user", "content": "Hello, world!"}],
)
print(response.choices[0].message.content)
```
## 指南
本 cookbook 与 Meta Model API cookbook 网站的三个部分相对应。每个指南都是一个独立、可直接复制粘贴的起点。从 **API 基础** 开始学习 API 基础内容，然后进入 **agent 模式** 和端到端 **用例**。
### [1. API 基础](01_api_fundamentals/)
验证每个 API 原语的可用性，并为你提供一个可以在此基础上进行构建的起点。
| # | 指南 | 功能描述 |
|---|--------|--------------|
| 01 | [快速入门：chat completions](01_api_fundamentals/01_chat_completions.ipynb) | 通过将 OpenAI SDK 指向一个新的 base URL，发起你的第一次 Muse Spark 调用。 |
| 02 | [流式响应](01_api_fundamentals/02_streaming.ipynb) | 在 token 生成时进行渲染，并读取最终的用量 chunk。 |
| 03 | [工具和函数调用](01_api_fundamentals/03_tool_calling.ipynb) | 检测工具调用并运行“执行并反馈”循环。 |
| 04 | [结构化输出](01_api_fundamentals/04_structured_output.ipynb) | 获取保证符合 schema 的 JSON，首次尝试即可成功解析。 |
| 05 | [Prompt 缓存](01_api_fundamentals/05_prompt_caching.ipynb) | 复用稳定的 prompt 前缀并追踪缓存的 token。 |
| 06 | [推理与思考 token](01_api_fundamentals/06_reasoning_tokens.ipynb) | 控制推理强度并在多轮对话中重放推理过程。 |
| 07 | [视觉输入](01_api_fundamentals/07_vision_input.ipynb) | 通过 URL 或 base64 发送图像，并获取结构化分析结果。 |
| 08 | [长上下文](01_api_fundamentals/08_long_context.ipynb) | 将代码仓库级别的上下文打包到上下文窗口中。 |
| 09 | [错误处理与重试](01_api_fundamentals/09_error_handling.ipynb) | 带有抖动的退避机制，并在遇到客户端错误时跳过重试。 |
| 10 | [搜索落地](01_api_fundamentals/10_search_grounding.ipynb) | 利用实时网络搜索结果落地响应，并附带内联引用。 |
### [2. Agent 模式](02_agent_patterns/)
构建将模型转化为 agent 的循环：规划、并行工作以及自我纠错。
| # | 指南 | 功能描述 |
|---|--------|--------------|
| 01 | [基础 agent 循环](02_agent_patterns/01_agent_loop_basics/) | 搭建核心的“感知-决策-行动” agent 循环。 |
| 02 | [交错推理与工具使用](02_agent_patterns/02_interleaved_reasoning/) | 在单轮对话中，将推理过程与工具调用交错进行。 |
| 03 | [多轮上下文管理](02_agent_patterns/03_managing_context/) | 在长时间的 agent 运行过程中管理不断增长的上下文。 |
| 04 | [经验证的原地编辑](02_agent_patterns/04_validated_in_place_edits/) | 通过编码 agent 进行经过验证的搜索和替换编辑。 |
| 05 | [告警疲劳副驾驶](02_agent_patterns/05_alert_fatigue_copilot/) | 从嘈杂的告警源中提取落地的模式，然后进行 探查 → 对话 → 自我评估，并输出严格的 JSON。 |
### [3. 用例](03_use_cases/)
端到端模式：多模态感知、编排以及完整应用程序。
| # | 指南 | 功能描述 |
|---|--------|--------------|
| 01 | [图表分析](03_use_cases/01_chart-explainer/) | 读取图表并从图像中提取结构化数据。 |
| 02 | [错误截图修复](03_use_cases/02_screenshot_bugfix/) | 从错误截图中诊断 bug 并进行修复。 |
| 03 | [带有 OpenClaw 的智能眼镜](03_use_cases/03_visionclaw/) | 在 Ray-Ban Meta 眼镜上实现免提的“看与问”。 |
| 04 | [生成幻灯片](03_use_cases/04_doc_generation/) | 根据 prompt 或源内容生成幻灯片。 |
| 05 | [浏览器验证的网页设计](03_use_cases/05_web_design/) | 使用编码 agent 构建网站，该 agent 会在真实浏览器中检查自己的工作。 |
| 06 | [迭代游戏开发](03_use_cases/06_iterative_game_dev/) | 通过编码 agent 端到端构建一款浏览器游戏，并在真实浏览器中进行验证。 |
| 07 | [沙盒执行](03_use_cases/07_sandbox_execution/) | 在 sandbox 中执行模型生成的代码。 |
| 08 | [多 Agent 产品工作室](03_use_cases/08_multi_agent_orchestration/) | 编排一个由四部分组成的 Hermes 团队（PM、后端、前端、技术作者），通过共享的看板进行协调。 |
| 09 | [一次性游戏开发](03_use_cases/09_one-shot-game_dev/) | 在单次过程中构建一款完整的 3D 浏览器游戏 —— 只需一个 AGENTS.md 加上一个结构化的 prompt，无需迭代循环。 |
| 10 | [感知落地](03_use_cases/10_perception_grounding/) | 识别冰箱照片中的食物，在其像素位置固定交互式健康评分点，并生成独立的 HTML 覆盖层。 |
| 11 | [GitHub repo agent](03_use_cases/11_github_repo_agent/) | 自主的 GitHub Actions 机器人 —— 包含 issue 分类、PR 审查、AI 垃圾内容检测以及修复 bug 的 PR —— 基于 OpenCode + Muse Spark 构建。 |
| 12 | [Computer use](03_use_cases/12_computer_use/) | 通过截图驱动 Linux 桌面 —— agent 会找到一个应用，打开它并进行操作，通过点击穿透 Cua 沙盒。 |
| 13 | [macOS computer use](03_use_cases/13_macos_cua/) | 使用 `metacua` 通过截图驱动真实的 Mac，这是一个原生的 computer-use agent（Swift + Python），能够自行点击、输入并探索 GUI 应用。 |
## 许可证
详情请参阅 [LICENSE](LICENSE)。
标签：AI智能体, API集成, DLL 劫持, Python, 可观测性, 大语言模型, 工作流编排, 无后门, 示例代码, 逆向工具