REA：AI 驱动的逆向工程

每个工程师迟早都会遇到没人完全理解的软件。

它可能是一个跑了十年的夜间批处理作业，作者早已离职，源代码仓库也在某次迁移中丢失了。它可能是一个团队想要复现其行为的桌面应用。也可能是一个物理规则从未被记录的老游戏，或者一个从外部看行为一目了然、但实现无从得知的网站。在所有这些场景中，根本问题是同一个：这个软件究竟在做什么？我们能证明吗？

传统上，回答这个问题需要一位专家：手持反汇编器、静态分析工具，外加极大的耐心。逆向工程意味着在陌生的二进制文件中跟踪函数、检查汇编与数据、追踪调用、验证假设，并逐步建立对程序行为的模型。这是强有力的工作，但也极其艰苦，其中大部分难度来自把零散的观察转化为可检验的结论。

REA（Reverse Engineer Anything，逆向任何东西）采取了不同的路径：把调查交给 AI 编码智能体，但让证据始终紧贴结论。

REA 是一个开源 MCP 服务器，把 Claude Code、Codex、Cursor 等智能体连接到真实的逆向与分析工具上，包括 Ghidra 和 Hopper。与其让智能体根据几段代码片段猜测程序如何工作，这套工作流可以让它检查目标、浏览其结构、追踪相关行为、收集证据、形成解释，并利用这份理解去帮助实现并测试一个类似的功能。

这个区别很重要。真正令人期待的承诺，并不只是 AI 能从一个未知的二进制文件生成代码，而是智能体能在实现之前展开调查，让它的结论扎根于真实分析工具产出的产物，而不是把逆向工程当作又一个代码生成问题。

1、核心思路：反编译、理解、重实现

描述这个方法最简单的方式，是三个层层递进的阶段。

第一个阶段是反编译。给定一个目标，REA 提取出分析所依赖的原材料：近似还原原始逻辑的伪代码、汇编指令、字符串、符号和元数据。这与人类分析师从 Ghidra 或 Hopper 这类工具中提取的材料是同一类。

第二个阶段是理解。原材料不是知识。真正的工作是把它们连起来：跟踪函数调用、构建调用图、追踪交叉引用以查看某个字符串或数值被用在哪里，并逐步弄清某个特定功能究竟如何行为。这是智能体最能节省时间的地方，因为它可以执行许多细小的调查步骤，并记住每一步展示了什么。

第三个阶段是重实现。一旦行为被理解，这些知识就可以用来在一个新项目中编写并测试实现。开发者可以请智能体弄清一个应用的离线搜索是如何工作的，展示证据，然后用 TypeScript 加 SQLite 构建一个版本。智能体不会复制那个二进制文件。它学会行为，然后写出完成同样工作的新代码。

有必要说清楚它不是什么。这个项目不声称恢复原始源代码，也不承诺自动、精确地克隆一个应用。反编译产物是一种近似，在经过验证之前，理解都是不完整的。诚实的表述是：REA 缩短了从一个谜团到一份可用的、经过验证的理解之间的路径，而不是抹掉了这条路径。

2、证据作为一等公民

REA 中最重要的设计选择，也许就是它的证据系统。当智能体调查一个目标时，一个干巴巴的答案是不够的。每条结论返回时，都带着支撑它的证据与局限性。

在实践中，这意味着智能体可以表达三件不同的事。它可以说它学到了什么。它可以说它在哪里学到的，指向支撑该结论的函数、字符串、引用或观察。它还可以说什么仍然不确定。第三点是大多数工具跳过的部分，而它至关重要。

任何让语言模型解释过一段代码的人都知道，无论答案对错，它们听起来可以多么流畅、自信。在逆向工程中，一个自信的错误答案代价高昂。一个读错的比较或误解的数据结构，可能导致一个行为几乎正确的实现——而这正是最难查找的那类 bug。通过强制让发现携带其证据与未知，REA 给了人类审查者可以核对的东西，也给了智能体可以跟进的东西。

实际的习惯很简单：要求智能体展示证据，并把任何标记为未知的内容当作一项任务，而不是一条脚注。

3、REA 能分析什么

它的范围远不止原生二进制文件。这套工具箱覆盖了多种目标，每种各有其要求。

原生二进制文件是经典场景。REA 返回伪代码、汇编、字符串、符号、调用和引用。深度原生分析使用 Hopper、Ghidra 或 IDA 之一；安装过程可以在批准后选择安装 Hopper，而 Ghidra 和 IDA 使用已有安装。Ghidra 的支持甚至延伸到 16 位 DOS 分析，Windows 上的 Ghidra 支持被列为实验性。

JavaScript 和 Electron 应用是回报特别高的目标，因为大量现代桌面程序就是这样构建的。REA 能恢复模块、导入、source map、路由、进程间通信以及原生插件的关系。它只需要 Node.js 和 npm，完全不需要原生分析引擎。

网站可以被检查页面结构、脚本、网络行为，并按需截图，使用的是 Chrome 系浏览器。保存的网络抓包——HAR 格式或 mitmproxy 原生抓包——会展露请求、响应、负载及其背后的来源位置。

.NET 程序集路径通过静态检查读取元数据、中间语言指令、声明的原生依赖，以及构建对比。Android 包会被分析 manifest 声明、类、反编译后的方法和引用，使用无头反编译器以及 Linux 或 macOS 上的完整 Java 开发套件。

固件镜像可以在 Linux 上用标准提取工具拆分为各个区域和提取结果，并可交接给原生分析。安装包与资源则产出文件清单、摘要、属性列表、Apple bundle 结构以及提取出的资源。

还有几项更专门的能力补齐了这份清单。使用 Linux 上的 pwntools，ELF 布局的离线分析会报告节、段、符号、重定位以及候选的缓解措施。EVM 字节码分析从本地载体返回分派选择器、字节偏移、推断的参数和可变性。录制的 Linux 崩溃可以被检查注记、线程寄存器、信号以及可选的映射候选。进程行为捕获则在 Linux 或 macOS 上通过原生伪终端，记录终端输出、交互、退出状态、文件系统观察，以及多次运行之间的对比。

一个关键区别贯穿这份清单。对 JavaScript 和 .NET 的静态检查只读取提供的文件，不运行应用。而运行时捕获则以用户自己的权限运行或与所选目标交互。每份运行时指南都会描述其影响，这一点值得注意，正如后面安全一节所解释的那样。

4、几分钟即可上手

安装过程刻意做得很短。装好 Node.js 和 npm 之后，一条命令开启一切：

npx rea-agents setup

安装工具会询问要配置哪些智能体，展示拟议的更改，并在触碰任何东西之前等待批准。然后它把 REA MCP 服务器注册到所选智能体上，并安装匹配的工作流指令，同时保留任何现有配置的备份。之后，智能体需要重启以加载更改。

支持的智能体包括 Claude Code、Codex、Cursor、Gemini CLI 等。任何支持本地 MCP 服务器的智能体都可以使用 REA，未被自动安装覆盖的客户端可以手动注册服务器。Node.js 版本要求是 22 系列的 22.19 及以上、24 系列的 24.11 及以上，或任何 26 及以上的版本。

智能体重启之后，使用 REA 只需要用自然语言。一个请求可能这样写：

Understand how search works in the Notes app, show me the evidence, and build a
similar feature for my project.

只需换成别的应用和功能即可。智能体决定调用哪些 REA 工具，阅读返回的结果，提出后续问题，并在证据足够有力时编写并测试一个实现。

常见问题（FAQ）回答了实际使用中的疑问。原生分析不需要手动启动 Hopper，因为 REA 会在操作需要时启动它——尽管在 macOS 上首次运行的对话框可能会询问使用演示模式还是激活许可证。对 JavaScript 和 .NET 的静态检查不需要原生引擎。可以从 skills 目录安装的技能为智能体提供调查指令，而安装命令同时会注册 MCP 服务器，所以安装命令就是完整路径。

5、直接使用终端

不使用智能体也完全可以。同样的工作流可以从命令行使用，这便于编写脚本、快速检查，以及喜欢看原始输出的开发者。检查一个解包后的 JavaScript 或 Electron 应用，或一个 ASAR 归档，大致如下：

npx -y rea-agents@latest analyze-javascript-application /absolute/path/to/app --json

结果包含模块、导入、Electron 进程边界，以及每项的证据。在 Windows 上，路径类似盘符加一个 apps 文件夹。日常使用时，全局安装这条命令让它随处可用：

npm install --global rea-agents
rea --help

原生命令首先需要配置一个 provider，也就是在 Hopper、Ghidra 或 IDA 中做出选择。CLI 与证据文档覆盖了 provider 选择、快照和脚本编写，这使得把可重复的分析步骤构建进流水线成为可能。

由于 CLI 和 MCP 工具共享相同的工作流，在一种环境中产出的发现可以在另一种环境中复现。开发者可以先手动试一条命令，再让智能体大规模地使用同一个工具。

6、一次调查如何展开

调查循环很容易描述。智能体通过 MCP 调用 REA 来检查目标、追踪相关代码。REA 返回带有证据的发现。智能体利用这些发现提出后续问题、解释行为，或者编写并测试一个实现。

拿离线搜索的例子来说。智能体先识别出这个应用。然后它寻找指向该功能的字符串和函数，比如查询文本、索引文件名或数据库操作。它追踪这些函数之间的关系，跟随调用和交叉引用，看一次查询如何在程序中流动。它反编译相关函数以阅读其逻辑。它重建对该功能如何工作的理解，记下什么是已确认的、什么仍然是猜测。最后，它帮助用开发者自己的技术栈编写实现并进行测试。

智能体并非遵循固定的脚本。每个结果塑造下一个问题——这正是人类分析师的工作方式，只是更快、更少疲劳。人的角色从亲手执行每一步，转变为掌控方向、审查证据、决定该信任什么。

7、实战示例：拯救一个孤儿般的夜间作业

有一个场景比任何功能清单都更能展示整套方法的价值。想象你接手了一个源代码早已丢失的夜间批处理作业。它读取一些输入，进行转换，然后写出输出文件。所有人都同意它必须继续运行，但没人能确切说出它在做什么。业务方希望把它迁移到现代语言和现代平台上。

REA 给 Claude Code 或 Codex 这样的智能体提供了通过 Ghidra 阅读二进制文件的工具，且每项发现都有证据支撑。它可以提取出揭示文件路径、列名、查询文本和错误信息的字符串。它可以追踪解析输入、应用规则、写出输出的函数，并用平实的语言描述逻辑，附上支撑代码的引用。

然后是带来真正差异的那一步。重写需要验收测试，而仅仅读代码是不够的。REA 的进程行为捕获可以在某个场景下运行原始程序并记录发生了什么：终端输出、退出状态和文件系统变化。然后在重写版上运行同样的场景，并对比两份记录，涵盖输出和文件变化。

这种对比是比代码审查更强的验收测试。审查者无法仅凭阅读就确认一个重写的模块与反编译逻辑匹配，因为反编译逻辑本身就是近似的。行为才是 ground truth。如果原始程序产出某份特定报告、触碰某些特定文件，而重写版产出的东西不同，那么这个差异是具体的，并指向该去检查的地方。如果两者在一组足够好的场景上都吻合，信心就会以一种人可以核对的理由增长。

有几个实践要点能让这套方法运转良好。

精心选择场景。一条 happy path 是不够的。要覆盖正常输入、边界情况、空输入、格式错误的输入，以及业务最关心的那些情况。

处理非确定性。即使代码完全相同，时间戳、随机标识符和顺序在多次运行之间也可能不同。对比应该考虑这些因素，要么做归一化，要么加以控制。

针对差异迭代。每个不匹配都是一条线索。智能体可以带着一个具体问题回到二进制文件，比如某个字段为什么采用某种格式，找到答案，然后修正重写版。

安全地运行。因为运行时捕获以用户的权限运行原始程序，它应当在隔离环境中进行，使用数据副本而不是生产系统。

这个模式可以推广到批处理作业之外。任何时候只要必须保持行为——无论是迁移、移植还是替换——把原始版本录制下来并与新版本对比，都是一套强大的纪律，而 REA 让智能体也能运用它。

8、项目给出的三个案例

项目发布了一些案例研究，展示了可能性的广度。

第一个跟随经典游戏 DX Ball 中的一个声音计算。分析把一次声音调用追踪进其辅助函数——该函数把坐标转换为立体声声像值——检查指令，并把不完整的伪代码转写为 C。重建经过了严格校验：针对原始 x86 行为通过了 3,205 个测试用例，并逐字节复现了编译后函数全部 63 个字节。这种级别的验证，正是行为对比所能达到的效果的展示。

第二个研究 Notion 桌面应用。它找到渲染进程的剪贴板接口，顺着预加载脚本和进程间通信一路追进主进程，并检查富文本剪贴板格式。这是一个很好的例子，展示如何把一个 Electron 应用从界面层一路映射到内部，且每一跳都有证据支撑。

第三个考察 TH04——日本 PC-98 平台上的一个原创游戏。分析检查 16 位指令，还原固定角度与自瞄准子弹角度的计算，并把重建的 C++ 与那个年代编译器的输出做对比。它表明这套方法可以回溯到非常古老的软件——而这正是源代码丢失最常见的地方。

每个案例研究都附有问题本身、REA 如何提供帮助、以及发现了什么，项目也邀请读者以同样的形式贡献自己的案例。

9、REA 的其他用武之地

除了救援任务，还有几种日常用途值得关注。

向现有产品学习。一个团队如果欣赏某个功能的行为，可以调查它如何工作，并构建自己的版本。关键词是自己的版本——意思是实现同样行为的新代码，而不是别人作品的复制品。

理解依赖。当一个第三方库或供应商的二进制行为古怪、而文档又语焉不详时，一次调查可以揭示它究竟在做什么。

安全研究与审查。分析二进制文件的导入、字符串和结构，检查固件镜像，阅读 ELF 布局与缓解措施，研究录制的崩溃——这些都是漏洞研究与防御性审查的日常工具。

互操作性。当一个系统必须与某个协议或文件格式没有文档的程序通信时，分析该程序或其抓取的网络流量可以揭示其格式。

归档与保存。过时平台上的老软件包含着值得记录的行为——趁最后一个理解它的人还没离开。

Web 与 API 工作。检查网站的脚本与网络行为，或分析保存的抓包，有助于调试集成、理解前端如何与服务器对话。

10、隐私与数据流

逆向工程常常涉及敏感材料，所以值得把数据去向说清楚。REA 在本地分析目标。分析引擎运行在开发者的机器上，结果来自本地工具。

智能体是另一回事。智能体会收到工具结果，而智能体背后的模型供应商有其自己的数据政策。换言之，REA 本身不会上传应用，但智能体读到的任何东西都可能流向智能体背后的供应商。对机密目标而言，这个区别很重要。团队应当审阅供应商的数据处理条款，采用符合自身敏感度要求的配置，并考虑对最敏感的工作是否应当使用本地部署的模型。

11、安全、合法与责任

强大的分析工具承载着责任，有几点值得直说。

静态与运行时是两回事。静态检查只读取文件，不执行它们。运行时捕获以用户的权限运行或与目标交互。运行未知软件可能很危险，因此陌生的二进制文件应当在虚拟机等隔离环境中分析，不接触重要数据或凭据。

合法性因情境而异。逆向工程在许多情境下是合法的——例如互操作性、安全研究，以及分析自己拥有或有权拥有的软件——在另一些情境下则受限。软件许可协议和最终用户协议常常禁止它，而版权法、反规避法律和合同条款因国家而异。任何计划基于调查发现构建产品的人，都应当理解适用的规则，并在利害重大时寻求法律意见。

行为不等于代码。最健康的用法是弄懂它如何工作，然后写出原创代码。把专有程序的反编译代码复制进产品，与基于独立理解实现同样的行为，是截然不同的行为。在意这个区别的团队有时会让分析者与实现者分离，在两者之间写出一份规格说明——这种实践被称为洁净室设计（clean room design）。

尊重目标的所有者。分析竞品以复制其标志性功能，或探测自己无权测试的服务，会制造任何工具都无法解决的法律与伦理问题。

12、如何获得好结果

有几个习惯能改善结果。

提出具体的问题。请求理解某个特定功能如何工作，远比请求解释整个程序效果好得多。

要求证据。要求智能体展示每个论断背后的函数、字符串和引用，并列出仍然未知的部分。

用行为验证。只要有可能，就拿真实程序检验你的理解。吻合的输出和文件变化，胜过貌似合理的解释。

小步前进。逆向工程奖励渐进式的推进，每个发现都引导下一个问题。

保持工具链最新。REA 变化很快，版本发布包含频繁的 bug 修复。对于通过 npm 安装的命令行工具，更新命令会刷新它，并打印出刷新智能体注册的安装命令：

rea update

对于通过 npx 运行的用户，刷新智能体配置大致如下：

npx rea-agents@latest setup

审查更改后，重启智能体并重试任务。如果更新后问题仍然存在，项目希望收到一个 issue，包含 REA 版本、目标类型、复现步骤和错误输出。

13、写在最后

REA 让逆向工程更贴近日常编码工作流，办法是把专家们依赖多年的工具交给 AI 智能体。通过 MCP，智能体可以与 Ghidra、Hopper 及其他分析器协作，调查原生二进制文件、JavaScript 与 Electron 应用、.NET 程序集、Android 包、固件、网站、网络抓包，以及实时进程行为。反编译、理解、重实现、测试的工作流给调查赋予了清晰的结构，而证据系统增添了一条重要的纪律：每个结论背后都应该有支撑，不确定性应当显形而非被隐藏。

但最有价值的想法也许是最简单的那一个：行为是终极测试。阅读一个反编译函数可以提示程序在做什么。把原始程序和重实现放在同样的输入下运行，比较它们的输出、副作用和文件变化，能提供强得多的证据，证明行为确实被理解了。

当源代码已经消失、而软件仍必须继续工作时，这个区别就至关重要。REA 并没有让逆向工程变得毫不费力，也没有让智能体的结论自动正确。它所做的，是在一个不透明的程序、一个有证据支撑的假设、和一份可用的实现之间，缩短距离。

在隔离环境中负责任地使用、守住适当的法律边界、坚持原创实现而非复制代码、对每一条论断保持健康的怀疑——如此使用 REA，它为一个古老的工程问题提供了实用的新路径：这东西究竟是怎么工作的？

原文链接：Reverse Engineering With an AI Agent: From Binary to Understanding

汇智网翻译整理，转载请标明出处