fak — быстрый старт: 10 минут до локальной модели

Это локализованная точка входа, а не полный перевод документации. Полная документация — на английском; эта страница даёт суть fak, 60-секундное доказательство и путь установки, а затем ведёт вас к английскому первоисточнику. Примечание: перевод подготовлен машиной и ещё не прошёл проверку носителем языка — если заметили ошибку, откройте issue/PR. Другие языки: i18n hub.

Обещание

От нуля до управляемого локального ИИ примерно за 10 минут: работает офлайн, не требует API-ключа, не создаёт облачного счёта, данные не покидают вашу машину, а для небольших моделей достаточно CPU — GPU не нужен.

Самый быстрый путь

Оберните ваш уже существующий агент одной командой:

fak guard -- claude

Вы не переписываете агент. Либо перенаправляете один base URL на fak serve, либо оборачиваете агент в одну команду fak guard -- claude — и каждый tool call сначала проходит через capability floor.

60-секундное доказательство (без ключа, без модели, без 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

Первый вызов отклоняется структурно (DENY), второй разрешается (ALLOW), а fak agent --offline доводит задачу до конца, отбив prompt injection. В живых тестах инъекция пробивала незащищённый базовый агент 5 из 5 раз; fak отсекал её 5 из 5.

Что такое fak

fak — это одна статическая Go-бинарь, которая стоит между вашим ИИ-агентом и инструментами, которые он вызывает. Она проверяет каждый tool call до его запуска и переиспользует повторяющуюся общую работу в длинной сессии. Итог: тот же цикл агента становится безопаснее, дешевле и быстрее — без переписывания.

Default-deny по структуре. Capability floor проверяется внутри ядра, на том же пути вызова, и fail-closed: действие, которого нет в allow-list, не выполнится, что бы модели ни внушили. Это не классификатор, который надо «обучать ловить атаки».
Карантин результатов. Подозрительные результаты tool call удерживаются вне контекста модели целиком — это структура, а не детектор. Детектор, помечающий их, считается по замыслу почти на 100% обходимым — он бонус, а не опора.

Насколько это быстро (честная граница)

На измеренной сессии 50 ходов × 5 агентов честный выигрыш — примерно 4.1× меньше работы, чем у настроенного стека с тёплым кэшем (tuned warm-cache).

Цифра ~60× (около 19 часов против примерно 19 минут) верна только против наивного цикла, который каждый ход пересылает всё заново; подавать её как заголовочную нельзя. Выигрыш от переиспользования доступен только при self-host и применим к read-heavy-флотам.

Скидка provider prompt-cache сохраняется лишь пока кэшированный префикс байт-в-байт тот же. fak гарантирует байтовую идентичность префикса, отбрасывая старые средние ходы; переиспользует ли провайдер кэш на самом деле — решение провайдера, которое fak транслирует, а не выдаёт за своё.

Про маржу в рублях. Токены оплачиваются провайдеру, а счёт вам приходит в рублях — поэтому меньше работы на ту же сессию напрямую снижает затраты и поднимает маржу. При self-host весь путь бесплатен: Apache-2.0, без карты, без трансграничного инвойса, без юрлица.

Данные остаются на вашей машине (152-ФЗ). fak — self-host-first: статическая бинарь стоит перед локальной моделью или отечественным provider, данные не уходят за пределы периметра, а каждый tool call фиксируется в защищённом от подделки audit log. Это упрощает локализацию персональных данных по требованиям Федерального закона № 152-ФЗ.

Ваша модель

fak не заменяет вашу модель — он ею управляет и кэширует её. Qwen2/Qwen3 и GLM-MoE подтверждены как bit-exact во встроенном (in-kernel) референс-движке. Всё остальное (DeepSeek, Mistral, любая open-weights модель) подключается по OpenAI-совместимому протоколу: Ollama / vLLM / SGLang / llama.cpp / LM Studio или любой OpenAI-совместимый API.

Установка

git clone https://github.com/anthony-chaudhary/fak.git && cd fak
go install github.com/anthony-chaudhary/fak/cmd/fak@latest

Про GOPROXY. Если proxy.golang.org недоступен, задайте GOPROXY перед установкой — подойдёт и самостоятельно развёрнутый Go module proxy:

export GOPROXY=https://<your-go-module-proxy>,direct
go install github.com/anthony-chaudhary/fak/cmd/fak@latest

Куда дальше

License: Apache-2.0.