fak — விரைவுத் தொடக்கம் (10 நிமிடத்தில் ஒரு local model)

இது ஒரு உள்ளூர்மயமாக்கப்பட்ட நுழைவுப் பக்கம் (entry point) — முழு ஆவணத்தொகுப்பின் மொழிபெயர்ப்பு அல்ல. முழு ஆவணங்கள் ஆங்கிலத்தில் உள்ளன. இந்தப் பக்கம் இயந்திரத்தால் உருவாக்கப்பட்டது; native சரிபார்ப்பு நிலுவையில் — திருத்தங்களுக்கு issue/PR திறக்கவும். முழுமையான, அதிகாரப்பூர்வ மூலத்திற்கு ஆங்கில டாக்ஸ் பார்க்கவும்; தமிழ் நுழைவுப் பக்கங்களின் மையம் i18n hub-இல்.

இந்த மொழியில்: அறிமுகம் (README) · விரைவுத் தொடக்கம் (இந்தப் பக்கம்)

வாக்குறுதி: பூஜ்ஜியத்திலிருந்து governed local AI வரை ~10 நிமிடம்

இந்தப் படிகளை முடித்தபின், உங்கள் சொந்த இயந்திரத்திலேயே இயங்கும் ஒரு AI உங்களிடம் இருக்கும் — offline வேலை செய்யும், key இல்லை, cloud bill இல்லை (ரூபாய் bill இல்லை), தரவு உங்கள் இயந்திரத்தை விட்டு வெளியேறாது (DPDP Act, 2023 அடிப்படையிலான data-residency-க்கு உகந்தது), மற்றும் சிறிய model-களுக்கு CPU போதும் — GPU தேவையில்லை.

வேகமான வழி: இருக்கும் ஏஜென்டை ஒரே கட்டளையில் wrap செய்யுங்கள்

உங்கள் ஏஜென்டை மறுஎழுத்து செய்யத் தேவையில்லை. ஒரே கட்டளையில், அதை ஒரு local model-க்குப் பின்னால் wrap செய்யுங்கள்:

fak guard -- claude

இது உங்கள் இருக்கும் agent loop-ஐ அப்படியே வைத்து, ஒவ்வொரு tool call-ஐயும் இயங்கும் முன்பே capability floor வழியாகச் செலுத்துகிறது — அதே loop மேலும் பாதுகாப்பாக, மலிவாக, வேகமாக.

60-வினாடி சான்று (key இல்லை, model இல்லை, GPU இல்லை)

முதலில் எதையும் download செய்யாமல், boundary-ஐ இங்கேயே நிரூபிக்கலாம்:

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

முதல் இரண்டு வரிகள் kernel-இன் உள்ளே இயங்கும் default-deny முடிவைக் காட்டுகின்றன: allow-list-இல் இல்லாத action இயங்காது — model எப்படி ஏமாற்றப்பட்டாலும் (fail-closed). கடைசி வரி offline-இல் prompt injection தடுக்கப்படுவதைக் காட்டுகிறது; நேரடிச் சோதனையில் பாதுகாப்பற்ற baseline-ஐ injection 5/5 எட்டியது, fak அதை 5/5 தடுத்தது.

fak என்றால் என்ன

fak ஒரு static Go binary — அது உங்கள் AI ஏஜென்டுக்கும் அது அழைக்கும் tool-களுக்கும் இடையில் அமர்ந்து, ஒவ்வொரு tool call-ஐயும் இயங்கும் முன் சரிபார்க்கிறது; நீண்ட session-களில் மீண்டும் வரும் பகிர்வு-வேலையை மறுபயன்பாடு செய்கிறது. விளைவு: அதே agent loop மேலும் பாதுகாப்பாக, மலிவாக, வேகமாக — மறுஎழுத்து இல்லாமல். நீங்கள் ஒரு base URL-ஐ fak serve நோக்கித் திருப்புகிறீர்கள், அல்லது fak guard -- claude எனும் ஒரே கட்டளையில் wrap செய்கிறீர்கள். fak உங்கள் model-ஐ மாற்றாது — அதை govern செய்து cache செய்கிறது.

சந்தேகத்திற்குரிய tool results தனி quarantine-இல் வைக்கப்படுகின்றன; அவை model-இன் context-க்குள் நுழையவே முடியாது — structure மூலம், எந்த detector-ஐயும் நம்பாமல்.

எவ்வளவு வேகம் (நேர்மையான எண்)

50-turn × 5-agent session-இல் அளக்கப்பட்ட நேர்மையான தலைப்பு-எண்: ஒரு tuned warm-cache stack-ஐ விட ~4.1× குறைவான வேலை. இதுவே headline. நீண்ட read-heavy fleet-களுக்கு, ரூபாய் token bill மற்றும் margin மீது இது நேரடி நெம்புகோல் — ஆனால் இந்த மறுபயன்பாட்டு வெற்றி self-host-க்கு மட்டுமே.

~19 மணி நேரத்திலிருந்து ~19 நிமிடம் வரையிலான ~60× எண், எல்லாவற்றையும் மீண்டும் அனுப்பும் naive re-send loop-ஐ விட மட்டுமே உண்மை — headline அல்ல; அதைக் குறிப்பிட்டால், “naive pattern-ஐ விட மட்டுமே” என வெளிப்படையாகச் சொல்லுங்கள்.

provider-இன் prompt-cache தள்ளுபடி நிலைக்க, fak நடுவில் உள்ள பழைய turns-ஐ அகற்றியும் cached prefix-ஐ byte-for-byte ஒரே மாதிரி வைத்திருக்கிறது. prefix-இன் byte-identity-ஐ fak உறுதி செய்கிறது; provider அந்த cache-ஐ மறுபயன்படுத்துகிறதா என்பது provider-இன் முடிவு — அதை fak claim செய்யாமல் relay செய்கிறது.

ஒவ்வொரு எண்ணும் அதன் commit மற்றும் artifact வரை கண்டறியப்படுவதை BENCHMARK-AUTHORITY.md-இல் பார்க்கவும்.

நிறுவல் (self-host, இலவசம்)

fak Apache-2.0, இலவசம், self-host — கார்டு இல்லை, cross-border invoice இல்லை, entity இல்லை. git clone மற்றும் ஒரே go install — இதுவே முழு வழி:

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

fak governs மற்றும் caches செய்யும் model-கள்: Qwen2/Qwen3 மற்றும் GLM-MoE in-kernel reference engine-இல் bit-exact என நிரூபிக்கப்பட்டவை; மற்ற அனைத்தும் (DeepSeek, Mistral, எந்த open-weights model-உம்) OpenAI-compatible wire வழியாக front செய்யப்படுகின்றன — Ollama / vLLM / SGLang / llama.cpp / LM Studio அல்லது எந்த OpenAI-compatible API வழியாகவும்.

அடுத்து எங்கே

License: Apache-2.0.