fak — पहली मुलाक़ात के आम सवाल (FAQ)

यह एक स्थानीयकृत प्रवेश-पृष्ठ (entry point) है, पूरी दस्तावेज़ का अनुवाद नहीं। पूरी दस्तावेज़ अंग्रेज़ी में है — यह पृष्ठ सबसे आम पहले सवालों के छोटे जवाब देकर आपको आगे अंग्रेज़ी डॉक्स तक पहुँचाता है। सूचना: यह अनुवाद मशीन द्वारा तैयार है और native समीक्षा बाकी है — सुधार के लिए issue/PR खोलें।

इस भाषा में और: हिन्दी परिचय (README) · पूरी सूची i18n hub पर।

Q1. fak है क्या?

एक ही static Go बाइनरी, जिसे आप अपने पहले से चल रहे AI एजेंट (Claude Code, Codex, Cursor, कोई भी OpenAI/Anthropic/MCP client) के आगे रख देते हैं — बस एक base URL मोड़कर, बिना कुछ दोबारा लिखे। यह लंबी sessions को सस्ता बनाती है (पुराने turns हटाती है पर provider का prompt-cache prefix byte-identical रखती है), हर tool call को route करती है, ज़रूरत पड़े तो local GGUF models in-process चला सकती है, और हर call का एक auditable verdict दर्ज करती है।

Q2. क्या मुझे model बदलना या एजेंट दोबारा लिखना होगा?

नहीं। fak आपके पहले से इस्तेमाल हो रहे model को ही govern और cache करता है। इसे इस तरह wrap करें:

fak guard -- claude

या एक base URL को fak serve की ओर मोड़ दें।

Q3. मेरा डेटा कहाँ जाता है — क्या यह अनुपालक (compliant) है?

Self-host पहले: एक static बाइनरी किसी local model या अपने किसी provider के आगे बैठती है, साथ में fail-closed residency, default-deny capability floor, और हर tool call का tamper-evident audit log। आपका डेटा आपकी मशीन से बाहर नहीं जाता। यह भारत के DPDP Act, 2023 के तहत data-residency ज़रूरतों से सीधे मेल खाता है — डेटा देश में, आपके अपने नियंत्रण में रहता है।

Q4. लागत कितनी है? क्या यह सचमुच मुफ़्त है?

Apache-2.0, मुफ़्त, self-host। न credit card, न cross-border invoice, न कोई legal entity। git clone और go install ही पूरा रास्ता है — यानी कोई डॉलर-आधारित subscription नहीं, आपकी लागत सिर्फ़ आपके अपने compute की (रुपये में, आपके अपने hardware पर)।

Q5. यह कितना सस्ता या तेज़ है?

एक मापी गई 50-turn × 5-agent session पर, एक tuned warm-cache stack के मुक़ाबले ~4.1× कम काम। यही ईमानदार headline आँकड़ा है। ~60× वाला आँकड़ा (लगभग 19 घंटे से लगभग 19 मिनट) सिर्फ़ naive re-send-everything loop के मुक़ाबले टिकता है — इसे कभी headline न बनाएँ। reuse वाला यह फ़ायदा सिर्फ़ self-host पर, read-heavy fleets के लिए है। रुपये के लिहाज़ से: कम दोहराया गया काम = कम token = कम बिल।

Q6. कौन-से models चलते हैं?

Qwen2/Qwen3 और GLM-MoE in-kernel reference engine में bit-exact सिद्ध हैं। बाक़ी सब (DeepSeek, Mistral, कोई भी open-weights model) OpenAI-compatible wire के ज़रिए जुड़ते हैं: Ollama / vLLM / SGLang / llama.cpp / LM Studio, या कोई भी OpenAI-compatible API।

Q7. यह prompt injection कैसे रोकता है?

दो structural gates, कोई classifier नहीं:

default-deny capability floor — कोई ख़तरनाक tool allow-list पर होता ही नहीं, इसलिए model को चाहे जितना बहला लिया जाए, वह action चल नहीं सकता।
result quarantine — संदिग्ध tool results को अलग रखा जाता है, वे model के context में घुसते ही नहीं।

Live tests में injection बिना-सुरक्षा वाले baseline तक 5/5 पहुँची; fak ने उसे 5/5 रोक दिया।

Q8. इसे इंस्टॉल कैसे करूँ?

go install github.com/anthony-chaudhary/fak/cmd/fak@latest

या clone से:

go build -o fak ./cmd/fak

(अगर आपके नेटवर्क पर Go का डिफ़ॉल्ट module proxy अटकता हो, तो GOPROXY को किसी पहुँच-योग्य mirror पर सेट कर लें।)

60-सेकंड का प्रमाण (कोई key नहीं, कोई model नहीं, कोई GPU नहीं)

go build -o fak ./cmd/fak
./fak preflight --policy examples/customer-support-readonly-policy.json --tool refund_payment --args "{}"   # -> DENY (POLICY_BLOCK)
./fak preflight --policy examples/customer-support-readonly-policy.json --tool search_kb     --args "{}"   # -> ALLOW
./fak agent --offline                                                                                       # injection blocked, task still completes

Q9. आगे कहाँ जाएँ

License: Apache-2.0।