fak — पहिल्या भेटीतले प्रमुख प्रश्न (मराठी FAQ)

हे एक स्थानिकीकृत प्रवेश-पान (entry point) आहे — संपूर्ण दस्तऐवजांचे भाषांतर नाही. संपूर्ण दस्तऐवज इंग्रजीत आहेत; हे पान fak बद्दलच्या पहिल्या प्रश्नांची थोडक्यात उत्तरे देऊन तुम्हाला इंग्रजी सत्य-स्रोताकडे पोहोचवते. सूचना: हे भाषांतर यंत्राने तयार केले असून native तपासणी बाकी आहे — दुरुस्तीसाठी issue/PR उघडा.

इतर भाषा आणि पाने: i18n hub · या भाषेतील परिचय · quickstart.

Q1. fak म्हणजे नक्की काय?

fak ही एकच static Go binary आहे जी तुम्ही आधीच वापरत असलेल्या AI एजंटच्या (Claude Code, Codex, Cursor, कोणताही OpenAI/Anthropic/MCP client) समोर बसते — फक्त एक base URL वळवून, काहीही पुन्हा न लिहिता. ती लांब session स्वस्त करते (जुने turns काढते, पण provider चा prompt-cache prefix byte-identical ठेवते), प्रत्येक tool call चे routing करते, in-process local models चालवू शकते, आणि प्रत्येक call साठी तपासणीयोग्य (auditable) निर्णय नोंदवते.

Q2. मला model बदलावा लागतो का, किंवा एजंट पुन्हा लिहावा लागतो का?

नाही. fak तुम्ही आधीच वापरत असलेल्या model ला govern आणि cache करते. त्याला असे wrap करा:

fak guard -- claude

किंवा एक base URL fak serve कडे वळवा. बाकी काहीही बदलावे लागत नाही.

Q3. माझा डेटा कुठे जातो — हे compliant आहे का?

Self-host-first: एकच static binary एका local model किंवा देशी provider समोर बसते — fail-closed residency, default-deny capability floor, आणि प्रत्येक tool call चा tamper-evident audit log सह. तुमचा डेटा तुमच्या मशीनबाहेर जात नाही. भारतातील data-residency साठी हे थेट DPDP Act, 2023 शी जुळते: डेटा देशातच, तुमच्या ताब्यात राहतो.

Q4. याची किंमत किती? हे खरंच मोफत आहे का?

Apache-2.0, मोफत, self-host. कार्ड नाही, cross-border invoice नाही, entity नाही — रुपयांत किंवा डॉलरमध्ये कोणतेही license बिल नाही. git clone आणि go install हाच पूर्ण मार्ग.

Q5. हे किती स्वस्त किंवा वेगवान आहे?

मोजलेल्या 50-turn × 5-agent session वर, एका tuned warm-cache stack च्या तुलनेत सुमारे ~4.1× कमी काम. रुपयांत हा थेट margin चा लिव्हर आहे — तेच काम कमी token खर्चात. ~60× आकडा (सुमारे 19 तास → सुमारे 19 मिनिटे) फक्त naive re-send-everything loop च्या तुलनेतच खरा आहे — तो कधीही headline म्हणून घेऊ नका. हा पुनर्वापराचा फायदा self-host-only आहे आणि read-heavy fleets साठी लागू होतो.

Q6. कोणते models चालतात?

Qwen2/Qwen3 आणि GLM-MoE in-kernel reference engine मध्ये bit-exact सिद्ध आहेत. बाकी सर्व (DeepSeek, Mistral, कोणतेही open-weights model) OpenAI-compatible wire वर front होतात — Ollama / vLLM / SGLang / llama.cpp / LM Studio.

Q7. prompt injection ला ते कसे थांबवते?

classifier ने नव्हे, तर दोन structural gates ने:

default-deny capability floor — धोकादायक tool कधीच allow-list वर नसतो, म्हणून model ला कितीही भुलवले तरी तो चालू शकत नाही.
result quarantine — विषारी tool results model च्या context मध्ये शिरतच नाहीत.

live tests मध्ये: injection ने असुरक्षित baseline ला 5/5 गाठले; fak ने ते 5/5 वेळा भिंतीआड ठेवले.

Q8. मी हे install कसे करू?

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

किंवा clone मधून:

go build -o fak ./cmd/fak

(जिथे proxy.golang.org अडते तिथे GOPROXY एका पोहोचणाऱ्या module proxy कडे set करा.)

60-सेकंदांचा पुरावा (key नाही, model नाही, GPU नाही)

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. पुढे कुठे जावे?

License: Apache-2.0.