KeyFrame內部研究專用

Reverse Engineer Anything with AI, Here's How (REA #1 On Github)

lustoykov10 min中文
觀看原始影片

三句話摘要

介紹 RIA 函式庫如何賦予 AI 代理逆向工程能力,並測試其實用性。 隨著 AI 模型能力增強,專家知識的交付形式會改變,但深度理解與決策把關的人類價值永不落幕。 逆向工程的分層難度:從高階程式碼到二進位檔案,再逆推回汇编和虛擬碼,人工理解數百萬行程式碼難如登天,AI 代理的出現改變了這個遊戲規則。

重點整理

  1. 逆向工程的分層難度:從高階程式碼到二進位檔案,再逆推回汇编和虛擬碼,人工理解數百萬行程式碼難如登天,AI 代理的出現改變了這個遊戲規則。

  2. RIA 的本質是知識包裝:RIA 不是魔法,而是將逆向工程領域專家的工作流程、工具選擇邏輯(adapter)和最佳實踐編成指令,供 AI 代理遵循。

  3. 更強的模型減少外部指導的需求:實驗顯示,vanilla GPT-4 代理無需 RIA 指導,反而用更少資源(6 分鐘、150 萬 token)達成相同精確度,比有 RIA 的代理(10 分鐘、500 萬 token)更優。

  4. 軟體的未來分層:簡單軟體會被商品化(AI 快速複製),但對深度理解和驗證的人類專業需求反而更高——公司需要人類審核 AI 決策,因為法律責任不能歸咎於「AI 說的」。

實用技巧與重點

  • 工具名稱:Ghidra(NSA 開源的逆向工程框架)、Hopper、IDA、RIA
  • 核心流程:Binary(二進位) → Disassembly(汇编) → Decompilation(虛擬碼)
  • 測試案例:Android 認證應用(每 30 秒產生 OTP 碼)
  • 實驗數據對比(不使用 RIA vs 使用 RIA):
  • 耗時:6 分鐘 vs 10 分鐘
  • 成本:$24 vs $40
  • Token 用量:150 萬 vs 500 萬
  • 準確度:兩者都正確

結論

隨著 AI 模型能力增強,專家知識的交付形式會改變,但深度理解與決策把關的人類價值永不落幕。

完整解析

逆向工程一直是安全研究、知識產權保護和漏洞發現的關鍵領域,但也是人類最容易遇到瓶頸的工作。當開發者用 C 語言寫程式時,程式碼對人類相對易讀;但經過編譯後變成二進位檔(只有 0 和 1),再交付使用者執行。有心人士想從二進位反推原始邏輯,過程極其艱難——即使有汇编語言作為中介,面對數百萬行程式碼時,仍像在讀亂碼書籍。這正是為什麼業界有 Ghidra、Hopper 和 IDA 這類反編譯工具。

RIA 作為新興工具,本質上是一個 MCP 伺服器,介於 AI 代理與反編譯工具之間。當 AI 代理遇到逆向工程任務時,會請 RIA 幫忙決策——我該用 Ghidra 還是 Hopper?根據目標是 Android 二進位還是 JavaScript Electron 應用,RIA 會推薦不同工具與工作流。這套「意見」本質上就是逆向工程領域專家的知識濃縮。

講者做了一個有趣的對比實驗:用同一個 Android 認證應用(OTP 產生器),分別讓一個代理使用 RIA、另一個代理不用,都要在離線狀態下反推為什麼驗證碼每 30 秒變化。結果令人驚訝——沒使用 RIA 的「vanilla」代理表現更優,只花 6 分鐘、成本 $24、150 萬 token,就達成同樣準確度,還比使用 RIA 的版本(10 分鐘、$40、500 萬 token)更快更省資源。兩個代理都沒有作弊(未查看原始碼或本機資料),但人工判官(Opus)認定 vanilla 方案驗證更扎實。

這背後反映一個更深層的問題:隨著 GPT-4、Opus 等大模型變得更聰慧,是否還需要人工精心設計的指導框架?題目拋向 AI 時代下軟體產業的前景——簡單任務(複製、修改應用)確實被商品化了,AI 能快速完成;但高端工作(驗證 AI 決策、處理複雜安全架構、承擔法律責任)對人類專家的溢價反而更高。企業不能說「AI 給我的方案我看不懂但聽起來不錯」就直接上線,必須有懂 AI、懂領域、能負責任的人類把關。

11 min
AI 技術中文11月21日

20261120 Craft 4K Review Version V3

灵姐说AI | Ling Talk AI看原片 ↗
  • Craft Anything 透過將觀察、構建、檢查和修改環節無縫銜接,將傳統費力的開發流程簡化為提供參考對象並說明目標,讓通用編碼Agent執行具體實現,大幅降低製作難度。
  • 複製範圍廣泛但難度差異大:網站和簡單工具相對容易,複雜遊戲因涉及場景、資源、物理引擎、存檔等要素難度大幅提升,需要提供的信息和輸入量成倍增加。
AI 技術英文11月19日

DeepMind Just Released The Best Thing AI Ever Did

Two Minute Papers看原片 ↗
  • 同一個DNA變異在不同細胞中會產生截然不同的效應——例如胰島素產生的β細胞與其他胰臟細胞對同一基因變異的反應完全不同,這使得精準預測變成考量數十億個變異×數百種細胞類型的難題。
  • 利用既有的大規模單細胞測序數據作為訓練資料是關鍵突破,科學家已測量過大量細胞中各基因的活性水準,這提供了足夠的輸入輸出對讓AI學習細胞特定的基因調控模式。