「它能同時幫一款遊戲開發六項功能，且未發生衝突。」當祖克柏這樣展示時，我第一個反應是：聽起來很美，但良率呢？會不會跑到一半就當機？

Meta 推出終端機 AI 編碼代理工具

2026年8月5日，Meta 發布了專為開發者打造的終端機 AI 代理工具「Muse Code」（測試版／預覽版），底層搭載全新的 Muse Spark 1.2 模型。這不是概念展示，而是一個能真正在終端機中運行、自主規劃步驟、撰寫程式、偵測錯誤並驗證結果的 AI 編碼助手。

更引人注目的是它的價格策略。Meta 提供了兩種計費方案，其中低價層的成本遠低於市場主流產品——但前提是你得同意讓 Meta 使用你的提示詞與程式碼來訓練未來模型。用工程師的話來說，就是「拿資料換便宜」。

兩套方案，各有代價

Meta 為 Muse Spark 1.2 提供了兩種計費方案：

標準層：輸入每百萬 Token 收費 1.25 美元，輸出 4.25 美元。這個方案的提示與回應不會被用來訓練模型，對需要保護商業機密的企業來說，算是比較安全的選項。

貢獻者層：輸入每百萬 Token 僅需 0.10 美元，輸出 0.20 美元。條件是：你必須同意 Meta 使用你的提示詞與程式碼來訓練未來模型。關於快取輸入的價格，不同來源存在分歧，部分報導提到可低至 0.15 美元，但完整價格細節需登入後確認。

值得注意的是，關於新帳號是否預設開啟貢獻者方案，目前缺乏官方明確證實。使用者在註冊使用前，應仔細確認所選方案及其資料使用條款。

有開發者社群討論指出，這種模式引發隱私疑慮。如果你手上有敏感或商業性質的程式碼，務必在使用前確認所選方案的資料使用政策。這就像是你願意把自己的設計圖交給別人研究，換取便宜的加工費——划不劃算，得看你的 code 值多少錢。

技術特色：背景代理與崩潰恢復

撇開爭議，Muse Code 的技術設計確實有其特點。它最大的特色是「非同步背景代理」——子代理可以在背景持續執行任務，處理跨檔案修改與測試，不會像過去的 AI 工具一樣，每次問答都要重新生成、重複收集資訊。

更實用的是「崩潰恢復機制」。所有模型呼叫、工具執行與編輯都會寫入本機事件日誌，當掉之後可以重播執行過程並接續執行。對於需要長時間運行的大型任務來說，這項功能相當實用——就像工廠生產線突然停電，重開機之後不用從頭來過。

祖克柏在展示時提到，該工具曾同時為一款遊戲開發六項功能，且未發生衝突——這正是此架構的優勢所在：每個功能分配給不同子代理，在獨立的 git worktree 中平行作業，互不干擾。聽起來是個不錯的設計，但實際跑起來穩不穩定，還得看使用者的反饋。

效能表現：尚非頂尖但具競爭力

根據部分測試報導，Muse Spark 1.2 在編碼任務中表現不差，但仍有進步空間。與市場上的頂尖模型相比，它在複雜 3D 遊戲或大型專案的處理上，偶爾會出現延遲或邏輯推論較弱的情況。儘管直接生成能力可能不及某些競品，但作為背景子代理工具，其表現已相當稱職。

需要注意的是，目前關於各項 benchmark 測試的具體分數與排名，不同來源提供的資訊存在分歧，建議使用者以實際測試結果為準。

Meta 的策略考量

（作者觀點）Meta 的主要收入來源為線上廣告業務，而 AI 基礎設施的投資規模龐大。Muse Code 可視為 Meta 試圖在開源 Llama 模型之外，直接從開發者市場獲取營收與高價值訓練數據的戰略嘗試。

透過「貢獻者層」，Meta 能以較低成本收集真實世界的使用數據，加速模型迭代。這種策略在 AI 產業中並非首例——先用價格優勢吸引市場份額，再藉資料累積提升技術能力。從商業角度來看，這是合理的打法；但從使用者角度來看，你得想清楚自己的 code 值多少錢。

所以，你會選擇哪一個？如果你是獨立開發者且預算有限，Muse Code 的貢獻者層確實具吸引力。但若你處理的是商業機密或敏感程式碼，請務必在使用前確認方案條款與資料使用政策。這就像是選擇製程：要追求最高效能，還是追求成本與穩定的平衡？答案取決於你的需求與風險承受度。