fak — mulai cepat (10 menit menuju model lokal)

Ini adalah titik masuk terlokalisasi (entry point), bukan terjemahan lengkap. Dokumentasi lengkap tersedia dalam bahasa Inggris — halaman ini memberi Anda inti fak, bukti 60 detik, dan jalur pemasangan, lalu mengarahkan Anda ke dokumentasi bahasa Inggris. Catatan: halaman ini dihasilkan oleh mesin dan masih menunggu tinjauan penutur asli — silakan buka issue/PR untuk perbaikan. Bahasa lain: lihat i18n hub.

Janjinya

Dari nol ke AI lokal yang tergovernansi dalam sekitar 10 menit: berjalan offline, tanpa API key, tanpa tagihan cloud, dan data tetap di mesin Anda. CPU sudah cukup untuk model kecil — GPU tidak wajib.

Jalur tercepat

Bungkus agen yang sudah Anda pakai dengan fak, dalam satu perintah:

fak guard -- claude

Anda tidak menulis ulang agen apa pun. Cukup arahkan satu base URL ke fak serve, atau bungkus agen yang ada seperti di atas — setiap tool call lalu melewati capability floor lebih dulu.

Bukti 60 detik (tanpa key, tanpa model, tanpa GPU)

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

refund_payment ditolak karena tidak pernah ada di allow-list; search_kb diizinkan. Keputusan itu dicek di dalam kernel, di jalur panggilan yang sama, dan fail-closed: tindakan yang tidak ada di allow-list tidak bisa berjalan, sekeras apa pun model dibujuk. Pada perintah terakhir, prompt injection diblokir sementara task tetap tuntas — hasil tool yang mencurigakan di-quarantine penuh dari konteks model (ini soal struktur, bukan detektor). Dalam uji langsung, injection menembus baseline tanpa proteksi 5/5, dan fak menembokinya 5/5.

Apa itu fak

fak adalah satu binary Go statis yang duduk di antara agen AI Anda dan tool yang dipanggilnya. Ia meninjau setiap tool call sebelum dijalankan, dan memakai ulang kerja bersama yang berulang sepanjang sesi panjang. Hasilnya: loop agen yang sama menjadi lebih aman, lebih murah, dan lebih cepat, tanpa ditulis ulang.

fak meng-govern dan meng-cache model Anda — ia tidak menggantinya. Qwen2/Qwen3 dan GLM-MoE terbukti bit-exact di reference engine in-kernel; selebihnya (DeepSeek, Mistral, model open-weights apa pun) terhubung lewat wire yang OpenAI-compatible — Ollama / vLLM / SGLang / llama.cpp / LM Studio atau API OpenAI-compatible mana pun.

Untuk pasar Indonesia: biaya token terasa dalam rupiah (IDR), jadi memakai ulang kerja bersama menekan biaya per-sesi dan melindungi margin. Karena fak mengutamakan self-host — sebuah binary statis di depan model lokal — data tidak keluar dari mesin Anda, sejalan dengan UU PDP 2022 (UU Perlindungan Data Pribadi). Diskon prompt-cache milik provider pun tetap hidup: fak menjamin prefix yang di-cache tetap identik byte-per-byte sambil melepas turn-turn lama di tengah; apakah provider benar-benar memakai ulang cache itu adalah keputusan provider yang fak teruskan, bukan fak klaim.

Seberapa cepat (angka yang jujur)

Pada sesi terukur 50 turn × 5 agen, keunggulan jujur atas stack warm-cache yang sudah dituning adalah sekitar ~4,1× lebih sedikit kerja. Angka ~60× (kira-kira ~19 jam menjadi ~19 menit) hanya benar terhadap loop naif yang mengirim ulang semuanya tiap turn — jangan pernah menyajikannya sebagai headline. Kemenangan pemakaian-ulang ini hanya untuk self-host dan berlaku pada fleet yang berat-baca (read-heavy).

Setiap angka dilacak ke commit dan artefaknya di BENCHMARK-AUTHORITY.md.

Lisensi & biaya

Apache-2.0, gratis, self-host. Tanpa kartu kredit, tanpa invoice lintas-batas, tanpa badan hukum. git clone lalu go install github.com/anthony-chaudhary/fak/cmd/fak@latest adalah keseluruhan jalurnya.

Ke mana selanjutnya

License: Apache-2.0.