fak — మొదటి పరిచయపు తరచు ప్రశ్నలు (FAQ)

ఇది ఒక స్థానికీకరించిన ప్రవేశ పేజీ (entry point) — పూర్తి డాక్యుమెంటేషన్ అనువాదం కాదు. పూర్తి డాక్యుమెంటేషన్ ఇంగ్లీషులో ఉంది — ఈ పేజీ మొదటిసారి అడిగే ప్రశ్నలకు సంక్షిప్త సమాధానాలు ఇచ్చి, మిమ్మల్ని ఇంగ్లీష్ డాక్స్ వైపు తీసుకెళ్తుంది. గమనిక: ఈ అనువాదం యంత్రంతో తయారైనది; native సమీక్ష పెండింగ్‌లో ఉంది — సవరణల కోసం issue/PR తెరవండి.

ఇతర భాషలు & పేజీలు: i18n hub · ఈ భాషలో పరిచయం (README).

Q1. fak అంటే ఏమిటి?

మీరు ఇప్పటికే నడుపుతున్న AI ఏజెంట్ (Claude Code, Codex, Cursor, ఏ OpenAI/Anthropic/MCP client అయినా) ముందు కూర్చునే ఒకే static Go binary — ఒక్క base URL-ను తిప్పితే చాలు, ఏజెంట్‌ను తిరిగి రాయనక్కర్లేదు. ఇది పొడవైన session-లను చౌక చేస్తుంది (పాత turns-ను తీసేస్తూ provider prompt-cache prefix-ను byte-identical-గా ఉంచుతుంది), ప్రతి tool call-ను route చేస్తుంది, local GGUF models-ను in-process నడపగలదు, మరియు ప్రతి call-కు audit చేయదగ్గ verdict-ను నమోదు చేస్తుంది.

Q2. నేను models మార్చాలా, లేదా నా ఏజెంట్‌ను తిరిగి రాయాలా?

అవసరం లేదు. మీరు ఇప్పటికే వాడుతున్న model-నే fak govern చేసి cache చేస్తుంది. ఒక్క కమాండ్‌తో wrap చేయండి:

fak guard -- claude

లేదా ఒక base URL-ను fak serve వైపు తిప్పండి.

Q3. నా డేటా ఎక్కడికి వెళ్తుంది — ఇది compliant అవుతుందా?

Self-host ముందు: ఒక static binary ఒక local model లేదా దేశీయ provider ముందు కూర్చుంటుంది — fail-closed residency, default-deny capability floor, ప్రతి tool call-కు tamper-evident audit log. మీ డేటా మీ మెషీన్ నుంచి బయటకు వెళ్ళదు. ఇది DPDP Act, 2023 (భారత డేటా-నిల్వ చట్టం) ప్రకారం డేటాను దేశంలోనే ఉంచాలనే అవసరానికి నేరుగా సరిపోతుంది.

Q4. దీని ఖర్చు ఎంత? నిజంగా ఉచితమేనా?

Apache-2.0, ఉచితం, self-host. కార్డ్ లేదు, cross-border invoice లేదు, entity లేదు — అంటే రూపాయల్లో ఎలాంటి subscription outflow లేదు. git clone మరియు go install — ఇదే మొత్తం దారి.

Q5. ఇది ఎంత చౌక లేదా వేగం?

token bill డాలర్లలో వస్తుంది కానీ margin రూపాయల్లో బాధిస్తుంది — అక్కడే fak మీట. కొలిచిన 50-turn × 5-agent session-లో, ఒక tuned warm-cache stack-తో పోలిస్తే ~4.1× తక్కువ పని. ~60× అనే సంఖ్య (సుమారు 19 గంటల నుంచి సుమారు 19 నిమిషాలకు) naive re-send-everything loop-తో పోలిస్తే మాత్రమే నిజం — దాన్ని ఎప్పుడూ headline-గా చూపించకూడదు. ఈ reuse లాభం self-host మాత్రమే, read-heavy fleet-ల కోసం.

Q6. ఏ models పనిచేస్తాయి?

Qwen2/Qwen3, GLM-MoE in-kernel reference engine-లో bit-exact అని నిరూపితమయ్యాయి. మిగతావన్నీ (DeepSeek, Mistral, ఏ open-weights model అయినా) OpenAI-compatible wire మీద front అవుతాయి — Ollama / vLLM / SGLang / llama.cpp / LM Studio.

Q7. ఇది prompt injection-ను ఎలా ఆపుతుంది?

classifier కాదు, రెండు structural gates: default-deny capability floor (ప్రమాదకర tool ఎప్పుడూ allow-list-లో ఉండదు) మరియు result quarantine (విషపూరిత tool results model context-లోకి అసలు చేరవు). Live tests-లో injection రక్షణ లేని baseline-ను 5/5 చేరింది; fak దాన్ని 5/5 అడ్డుకుంది.

Q8. దీన్ని ఎలా install చేయాలి?

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

లేదా clone నుంచి go build -o fak ./cmd/fak. (module fetch నెమ్మదిగా ఉంటే GOPROXY-ను set చేసుకోవచ్చు.)

60-సెకన్ల రుజువు (key లేదు, model లేదు, GPU లేదు)

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. తరువాత ఎక్కడికి వెళ్ళాలి?

License: Apache-2.0.