fak — Perguntas frequentes de primeiro contato

Esta é uma página de entrada localizada (entry point), não uma tradução completa da documentação. A documentação completa está em inglês — esta página dá o essencial do fak e encaminha você para os documentos em inglês. Aviso: esta tradução foi gerada por máquina e ainda aguarda revisão de falante nativo — se encontrar erros, abra uma issue ou um PR.

Outros idiomas: veja o i18n hub para a lista completa.

Q1. O que é o fak?

Um único binário Go estático que você coloca na frente do agente de IA que já executa (Claude Code, Codex, Cursor, qualquer cliente OpenAI/Anthropic/MCP), reapontando uma única base URL — sem reescrever nada. Ele torna sessões longas mais baratas (descarta turnos antigos mantendo o prefixo do prompt-cache do provedor byte a byte idêntico), roteia cada tool call, pode rodar modelos GGUF locais no próprio processo e registra um veredito auditável para cada chamada.

Q2. Preciso trocar de modelo ou reescrever meu agente?

Não. O fak governa e faz cache do modelo que você já usa — ele não o substitui. Envolva seu agente com um único comando, ou reaponte uma base URL para fak serve:

fak guard -- claude    # envolve seu agente existente em um único comando

Q3. Para onde vão meus dados — isto é compatível?

Self-host primeiro: um binário estático na frente de um modelo local ou de um provedor doméstico, com residência de dados fail-closed, um piso de capacidades default-deny e um log de auditoria à prova de adulteração para cada tool call. Seus dados não saem da sua máquina. Isso atende à exigência de residência de dados da LGPD (Brasil) e do RGPD (Portugal).

Q4. Quanto custa? É realmente grátis?

Apache-2.0, grátis, self-host. Sem cartão de crédito, sem fatura transfronteiriça, sem entidade jurídica — nenhuma cobrança em reais (R$) nem em euros (€). O caminho completo é git clone mais go install.

Q5. Quanto mais barato ou mais rápido ele é?

Em uma sessão medida de 50 turnos x 5 agentes, cerca de 4,1x menos trabalho do que uma pilha de warm-cache já afinada (tuned) — esse é o número honesto de referência. A cifra de ~60x (cerca de 19 horas para cerca de 19 minutos) vale apenas contra um loop ingênuo de reenviar-tudo (naive re-send), nunca como manchete. O ganho de reaproveitamento é exclusivo de self-host, para frotas com leitura intensa (read-heavy). Como a conta de tokens dói em reais e euros enquanto os provedores cobram em dólares, menos trabalho é uma alavanca direta de margem.

Q6. Quais modelos funcionam?

Qwen2/Qwen3 e GLM-MoE são comprovadamente bit-exact no motor de referência in-kernel. Todo o resto (DeepSeek, Mistral, qualquer modelo de pesos abertos) entra pela interface compatível com OpenAI: Ollama / vLLM / SGLang / llama.cpp / LM Studio ou qualquer API compatível com OpenAI.

Q7. Como ele barra prompt injection?

Dois portões estruturais, não um classificador: um piso de capacidades default-deny (uma ferramenta perigosa nunca está na allow-list, não importa o que o modelo tenha sido convencido a fazer) e quarentena de resultados (resultados de ferramentas envenenados nunca chegam ao contexto do modelo). Em testes ao vivo, a injeção alcançou a linha de base desprotegida 5/5, e o fak a bloqueou 5/5.

Q8. Como eu instalo?

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

Ou, a partir de um clone:

go build -o fak ./cmd/fak

Se o proxy.golang.org estiver bloqueado na sua rede, defina um GOPROXY alcançável antes do go install.

Prova de 60 segundos (sem key, sem modelo, sem 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

Q9. Para onde ir a seguir?

License: Apache-2.0.