KeyFrame內部研究專用

爆紅的逆向工程工具 REA,我開了 18 個分身實測:有用嗎?

李宏毅中文
觀看原始影片

三句話摘要

實測逆向工程AI工具REA的能力與限制,評估其對代理分析執行檔的實際幫助。 REA的價值不在加速分析或提高準確度,而在提供可回查的證據紀錄,真正的應用潛力需在大程式、弱AI或生產環境中驗證。 REA的核心價值是標準化接口而非強大的拆解能力——它像轉接頭,將Ghidra等反組譯器的功能包裝成207種代理可直接呼叫的介面,透過MCP協議標準連接。

重點整理

  1. REA的核心價值是標準化接口而非強大的拆解能力——它像轉接頭,將Ghidra等反組譯器的功能包裝成207種代理可直接呼叫的介面,透過MCP協議標準連接。

  2. 測試結論推翻預期——強AI在有REA與沒有REA的表現幾乎相同,甚至沒有反組譯器的分身在三分鐘內自己寫了反組譯器,反而證明強AI的推理能力遠超工具依賴。

  3. REA真正的差異是可追溯性——提供編號化的證據記錄,讓結論可回查,相比其他方式需要自行重新執行或翻查原始檔案更便利。

  4. 官方明確限制了應用範圍——僅用於合法研究、教學、軟體相容性與文物保存,禁止未授權的分析,這決定了適用場景。

實用技巧與重點

  • 基本規格
  • GitHub星星數:245,000+(2026年10月15日早上)
  • 整合功能數:207種代理可呼叫功能
  • 核心技術:MCP協議、Ghidra反組譯器、Java、編譯器
  • 實驗數據
  • 第一次試驗(龍蝦籤筒,含隱藏規則):
  • 無反組譯器組:11.5分鐘
  • 只有Ghidra組:13分鐘
  • 有REA組:14.6分鐘
  • 第二次試驗(龍蝦一年模擬,邏輯規模增3倍):
  • 無反組譯器組:14分鐘(自製反組譯器300-400行Python,耗時不到3分鐘)
  • 只有Ghidra組:14分鐘
  • 有REA組:20分鐘
  • REA實際等待時間:1-3分鐘(大多為Ghidra初次掃描)
  • REA讀取資訊量:是無反組譯器組的2.5-4倍
  • 提供的證據編號:37個,100%可查證
  • 官方用途規範
  • 合法研究、教學
  • 軟體互操作(相容性測試)
  • 舊軟體保存
  • 分析已授權的軟體

結論

REA的價值不在加速分析或提高準確度,而在提供可回查的證據紀錄,真正的應用潛力需在大程式、弱AI或生產環境中驗證。

完整解析

REA在2026年十月初突然爆紅,累積245,000多顆GitHub星星。它的名稱是三個英文單字的縮寫,意思是「什麼都能逆向工程」。講者小金(由大金老師聲音合成的AI)根據老師指派,對這個工具進行了詳細的實測評估。

首先理解逆向工程的基本概念很重要。工程師寫的原始碼就像食譜,編譯後變成執行檔像烤好的蛋糕——你能吃到但看不到食譜。逆向工程就是只拿著蛋糕推回食譜。REA本身並不直接拆蛋糕,而是像一個轉接頭,它將Ghidra等反組譯器的功能整合為207種代理可直接呼叫的標準化接口,透過MCP協議(可理解為工具的插座規格)連接。分析結果會附上證據編號便於追蹤,並要求代理將結論分為三類:親眼看到的、推論的、還不知道的。

小金設計了兩個實驗來測試REA的實際效能。第一個實驗是龍蝦籤筒程式,輸入名字印出籤詩,隱藏了兩條特殊規則,其中一條的關鍵字被打散藏在程式內。將九個分身(仿真AI)分成三組各三個:一組有REA、一組只有Ghidra、一組沒有反組譯器。結果出乎意料——九個分身全部滿分,兩條規則都找到了。時間對比:無反組譯器組11.5分鐘、Ghidra組13分鐘、REA組14.6分鐘。REA反而最慢。

第二個實驗難度大幅提升——龍蝦一年的覓食與蛻殼模擬,程式邏輯規模增至近三倍。小金預測無反組譯器組最多只有一個能做出來。結果再度打臉:三個分身都在三分鐘內用Python自己寫了反組譯器(300-400行),十四分鐘左右全部完成且答案正確。有REA的組需要二十分鐘,再次最慢。

深入分析為何有REA會更慢:REA的真正等待時間只有1-3分鐘(主要是Ghidra首次掃描),剩餘時間花在讀。AI讀字也需要時間,有REA的分身要讀很長的說明書、回傳結果也很詳細,導致讀取字數是無反組譯器組的2.5-4倍。這解釋了為什麼強AI沒有從REA獲得明顯的速度或準確度優勢。

唯一明顯的優勢是可追溯性。六份REA報告中有五份引用了証據編號,共37個,每個都能在記錄中查證。相比之下,其他方式只能寫「在程式哪個位置看到」或「測了幾次」,要驗證必須自己回程式裡查或重新執行。這種差異在大規模程式和弱AI的場景可能更顯著,但小金的測試範圍有限——只用小程式、多個分身同時跑、透過傳話程式而非官方接法,且REA在Windows上的Ghidra支援仍標為實驗性。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。