ARTICLE · 1209878
没有源代码,AI 也能看懂软件?这个开源项目,让 Agent 成为逆向分析助手!
摘要： 遇到一个没有源码的软件，想知道它的功能是怎么实现的，怎么办？开源项目 REA（Reverse Engineer Anything）把逆向分析能力接入 AI Agent，让 AI 从二进制文件、代码线索和调用关系中寻找证据，帮助开发者理解软件、分析功能，并探索自己的实现方案。
你有没有遇到过这样的情况：
看到一个产品的功能设计得很好，想研究它的实现方式，却找不到源代码；
接手一个历史项目，只剩下可执行文件和有限的技术资料，没人能说清内部逻辑；
面对一个复杂的桌面软件，想弄明白某项功能究竟调用了哪些模块，却只能一点点查找、分析。
以前，这类工作往往需要熟悉汇编、反编译器、调试工具和底层系统知识的工程师，花费大量时间手动追踪。
现在，AI Agent 正在进入这个领域。
今天介绍一个值得关注的开源项目：REA（Reverse Engineer Anything）。
它不是简单地让 AI 阅读源代码，而是为 AI Agent 提供一套软件逆向分析工具，让 Agent 能够调查应用程序、寻找代码线索、追踪函数关系，并基于分析证据解释软件的工作原理。
01 什么是 REA？为什么值得关注？
REA 的全称是 Reverse Engineer Anything，可以理解为“逆向分析各种软件”。
它的核心思路很有意思：
不只是让 AI 回答软件可能是怎么工作的，而是让 AI 使用专业工具去调查，再根据找到的证据作出解释。
传统 AI 编程工具通常擅长阅读项目源代码、编写函数和修改文件。
但如果面对的是一个已经编译好的程序，事情就不一样了。
例如，手头只有一个 Windows 可执行文件、一个 macOS 应用，或者一个已经打包的 Electron 软件。你可能无法直接查看原始源代码，也很难仅凭软件界面推断出内部实现。
REA 就是为这类调查任务提供工具支持的。
它通过 MCP（模型上下文协议）将分析能力接入 AI Agent，让 Agent 可以调用底层分析工具，逐步收集线索、追踪程序结构，并整理出有证据支持的分析结论。
这里需要注意：REA 不会神奇地恢复出原作者的完整源代码，也不能保证任何软件都能被完全理解。 它的价值在于帮助开发者更有效地开展调查、缩小问题范围，并理解现有软件的部分实现机制。
02 REA 能做什么？不只是反编译
REA 的能力并不局限于某一种文件格式或某一种开发语言。项目将多种软件分析工具整合进统一的工作流中。
① 分析二进制文件
面对编译后的程序，REA 可以借助相应的分析工具获取函数信息、字符串、汇编指令、伪代码和调用关系等线索。
例如，你想了解某个程序的登录功能，可以从相关字符串、函数符号和代码引用入手，逐步追踪可能的验证逻辑。
② 追踪函数与调用关系
找到一个疑似关键函数，并不意味着已经理解了它。
真正重要的是继续调查：
哪些函数会调用它？
它又会调用哪些其他函数？
输入参数如何传递？
关键分支和返回结果有什么含义？
REA 提供相关工具，帮助 Agent 把零散线索串联起来，而不是停留在孤立的代码片段上。
③ 分析 JavaScript、Electron 和 .NET 应用
对于 JavaScript 项目、Electron 应用和 .NET 程序，REA 还提供相应的分析能力。
例如，针对打包后的 Electron 应用，可以分析模块、依赖导入及主进程与渲染进程之间的边界；针对 .NET 程序，则可以借助相应工具调查程序集、元数据及相关代码结构。
不同目标的分析深度和依赖条件并不相同，需要根据实际对象选择合适的工具。
④ 结合运行时证据理解软件行为
静态分析能够告诉我们程序中存在什么代码线索，但不一定能证明软件运行时一定会走哪条路径。
REA 也在整合运行时观察、应用行为追踪和证据记录等能力，以便把静态分析结果与实际行为联系起来。
这类能力对于调查复杂应用、排查行为异常以及比较不同版本的软件尤其有价值。
简单总结：REA 想做的，是把原本分散在多个工具中的分析能力，整合成 AI Agent 可以持续执行的一套调查流程。
03 最有意思的地方：一句需求，逐步追踪到代码
来看一个更具体的例子。
假设你正在开发一款笔记软件，发现另一款笔记应用的离线搜索功能做得很好。
你希望弄明白它是如何工作的，并为自己的项目实现类似功能。
过去，你可能需要：
找到目标应用的相关代码或二进制文件。
使用反编译工具分析程序。
搜索与搜索功能有关的字符串和函数。
查找函数之间的引用关系。
追踪核心逻辑与数据处理流程。
根据分析结果重新设计自己的实现方案。
这个过程不仅耗时，还要求开发者具备一定的逆向分析经验。
而使用 REA，你可以尝试把调查任务直接交给支持它的 AI Agent。
例如，向 Agent 提出这样的要求：
研究这款笔记应用的离线搜索功能。
找出与搜索有关的关键函数，追踪它们之间的调用关系，解释搜索索引、查询处理和结果返回的实现机制。
请提供支持分析结论的证据，并指出无法确认的部分。最后，结合我的 TypeScript + SQLite 技术栈，给出实现类似功能的设计方案。
接下来，REA 可以为 Agent 提供一条逐步调查的路径。
第一步：识别目标程序。 了解待分析文件的基本信息和结构。
第二步：寻找关键线索。 搜索相关字符串、函数名称和符号信息。
第三步：追踪引用关系。 找出线索与其他函数之间的联系。
第四步：理解关键代码。 结合调用图、反编译伪代码等信息分析程序逻辑。
第五步：形成实现方案。 Agent 根据已有证据，结合你的技术栈，设计自己的功能实现。
这里有一个重要区别：
REA 负责帮助 Agent 调查目标软件；Agent 则利用调查结果继续编写代码、修改项目和运行测试。
因此，REA 并不是“一键复制任何软件”，而是让 AI 有机会从软件分析走向有依据的功能重建。
04 REA 与普通 AI 编程工具有什么区别？
两者并不是相互替代的关系，而是侧重点不同。
举个简单的例子：
如果你已经拥有一个完整的 Java 项目源码，想增加一个接口，普通 AI 编程工具通常就能胜任。
但如果你想研究一个没有源代码的桌面程序，弄清某个功能背后的实现机制，那么普通的源码编辑工作流可能就不够了。
REA 的价值，在于为 AI Agent 补上软件逆向分析这一层能力。
05 如何上手？先把 REA 接入你的 Agent
REA 的官方仓库提供 CLI、MCP 服务和配套工作流说明。
第一步：准备运行环境
根据项目当前 README，基础环境需要满足对应版本要求：
Node.js 22.19 及以上的 22.x 版本，或 24.11 及以上的 24.x 版本，或 26.x 及以上版本。
npm，以及你准备使用的 AI Agent。
如果涉及原生二进制的深度分析，还需要根据目标配置 Hopper、Ghidra 或 IDA 等相应工具。
注意：不同分析目标的依赖并不相同。例如，部分 JavaScript 静态分析能力不需要安装原生反汇编引擎。
第二步：安装并配置
可以先使用官方提供的安装入口：
npx rea-agents setup按照提示选择要配置的 Agent，检查安装计划并确认修改。
安装完成后，按照提示重启相关客户端，使 MCP 配置生效。
如果希望长期使用命令行工具，也可以选择全局安装：
npm install --global rea-agentsrea setup这两种方式选择一种即可。安装前建议查看官方文档，确认当前版本、目标客户端和本机环境的兼容性。
第三步：选择一个合法授权的目标进行实验
第一次尝试，不建议直接挑战复杂的商业软件。
可以先选择自己开发的小程序、自己编译的测试程序，或者明确获得授权的分析对象。
然后让 Agent 先调查目标的基本结构，再逐步追踪一个具体功能。
例如：
请使用 REA 分析这个测试程序。1. 识别程序的基本结构。2. 搜索与登录流程相关的字符串和函数。3. 追踪关键函数的调用关系。4. 根据现有证据解释主要执行路径。5. 区分已经证实的结论与推测。6. 输出分析报告，并说明还需要验证的问题。建议先从静态分析开始，再根据需要增加更深入的分析步骤。
提醒： 安装 REA 并不意味着所有分析引擎都已安装，也不代表所有分析功能都可以立即使用；具体能力取决于目标文件、分析工具、操作系统及相应配置。
06 哪些场景值得尝试？
我认为，REA 对以下几类开发者尤其有参考价值。
软件开发者： 研究自己有权分析的软件，理解复杂程序的内部结构，为功能重建或技术迁移提供线索。
技术负责人和架构师： 调查历史系统、理解缺少文档的模块，辅助技术选型和系统改造。
安全研究人员： 在获得合法授权的范围内分析程序行为、追踪可疑逻辑，并整理可复核的技术证据。
开源项目研究者： 学习逆向分析流程，研究编译产物的结构，以及 AI Agent 如何协调专业分析工具。
AI Agent 开发者： 研究如何通过 MCP 将专业工具封装为 Agent 可调用的能力，让 Agent 不只是生成文本，还能执行有步骤、有证据的调查任务。
需要强调的是，逆向分析应当遵守适用的法律法规、软件许可和授权范围。REA 的技术能力并不意味着可以绕过访问控制、侵犯知识产权或分析未经授权的目标。
07 我怎么看 REA：AI Agent 正在从“写代码”走向“研究软件”
过去，我们使用 AI 编程工具，更多是在给定需求和源代码的情况下，让 AI 帮我们写函数、修改文件、修复 Bug。
REA 展示了另一种可能性：
先让 AI 调查一个系统，理解它能确认的实现机制，再利用这些信息完成后续开发。
这种模式的意义，不只在于逆向分析本身。
它还体现了一种值得关注的 Agent 设计思路：
通过 MCP 接入专业工具。
把复杂任务拆解成一系列可执行的调查步骤。
根据前一步的结果决定下一步要查什么。
保存证据，明确结论的可信程度和限制。
将分析结果交给后续的代码实现和测试流程。
当然，工具调用再丰富，也不能保证 AI 一定理解正确。遇到符号被剥离、代码混淆、复杂运行时行为或缺少必要依赖的情况，分析仍可能受到限制。
因此，真正可靠的使用方式不是让 AI 给出一个看似完整的解释就结束，而是要求它说明证据来自哪里、哪些结论已经验证、哪些问题仍然未知。
这也是我认为 REA 值得关注的地方：它尝试让 AI 从“凭上下文回答”，走向“通过工具调查，再根据证据回答”。
08 项目地址与延伸阅读
如果你对 AI Agent、软件逆向分析或 MCP 工具集成感兴趣，可以从官方仓库开始：
🔗 REA GitHub：https://github.com/morluto/rea
建议优先阅读 README 中的快速开始、工作原理、支持的分析目标及工具目录，再选择一个自己熟悉、且有权分析的程序进行实践。
欢迎在评论区聊聊你的想法。
关注我们，持续分享 AI Agent、开源工具、软件工程与企业智能化实践。
