开源大猩探 · GITHUB Vol.125

不用一行源码，它把别人家软件的底裤扒给你看

2026-10-21 · REA × EdgeRock-4B

你有没有过这种时刻：用别人家App的时候，某个功能顺滑得离谱，你心里痒痒——这玩意儿到底怎么实现的？

想知道答案，传统路子就两条。要么啃开源（前提是人家开源了），要么找逆向工程师。后者什么行情？按天计费，一天四位数起步，还未必排得上号。至于自己学？打开Ghidra的那一刻，百分之九十的人就被满屏的汇编劝退了。

我身边就有现成的例子。一个朋友做笔记软件，眼红某头部产品的剪贴板富文本处理能力，想搞明白原理。问了一圈，要么是“这得逆向，我不会”，要么是“能弄，工期两周起”。最后他花三个周末啃文档加瞎猜，勉强抄了个七成像。

但GitHub上有个项目，悄悄攒下了约34.9万颗星——README里挂着“30万星感谢有你”的里程碑横幅，Trendshift日榜稳居前列。它干的事一句话能讲完：让你直接用大白话，指挥AI Agent把任何软件拆开看。

它叫 REA（Reverse Engineer Anything），今天的主推。

先声明：这不是什么“AI代替逆向工程师”的爽文。它真正的价值，是把逆向这件事从“专家专属”拉到了“高级工程师踮踮脚够得着”的位置。就像当年Copilot没替代程序员，但让写CRUD的人快了一倍。

主推：morluto/rea —— 把逆向工程变成“说人话”

先泼一盆行业冷水

逆向工程这个行当，几十年来都是“老师傅手艺活”。工具不是没有：IDA Pro，商业授权一年几千美元；Hopper，便宜点也要掏钱；Ghidra免费，但那是NSA（美国国家安全局）放出来的家伙事儿，界面友好度约等于开飞机。

工具之外更难的是人。看得懂汇编、理得清调用链、猜得出编译器优化手法——这套本事没有三五年下不来。所以绝大多数开发者遇到“想知道它怎么做的”这种问题时，真实选择是：算了。

REA的打法很鸡贼：它自己不做逆向，它是一个MCP服务器，把你的AI Agent（Claude Code、Cursor、Codex、Gemini CLI这些）接到现成的逆向工具链上。MCP你可以理解成AI界的USB接口——插上去，Agent就多了几十种“拆装工具”可以调用。Agent负责动脑子串逻辑，Hopper/Ghidra/IDA负责干反编译的粗活，你负责用大白话提问。

以前是你学工具。现在是工具伺候你。

再算笔账，这就是开源对闭源最经典的一刀：

注意最后一行。做逆向的都知道，把目标软件上传到第三方在线服务是行业大忌。REA从头到尾本地跑，这一条直接命中要害。

它到底能拆什么

我翻完README列的支持清单，说实话有点吓人，这是一张“万物皆可拆”的表：

还有WASM、EVM字节码、网络抓包、甚至DOS时代的16位程序（Ghidra后端）。注意第二行：拆Electron应用（也就是市面上一大半桌面软件）不需要任何逆向引擎，纯静态分析就能跑。

三分钟上手（命令保真，来自README）

装好Node.js（22.x / 24.x / 26+）和npm，一行：

npx rea-agents setup

它会列出你机器上装了的Agent，让你勾选、确认改动（还带配置备份），重启Agent完事。然后你就可以直接对它说人话：

搞清楚记事本App的搜索是怎么实现的，给我看证据，然后给我的项目写一个类似的。

不想开Agent？终端里也能直接干活，比如拆一个解压出来的Electron应用目录：

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

所有分析全部在本地跑，目标软件不会被上传。你的Agent拿到工具结果后，数据政策归模型厂商管——这句是README原话，挺实诚。

光说不练？人家有三个完整案例

DX-Ball音效还原：跟着一个声音调用钻进它的声像计算函数，看不完整的伪代码，重写成C语言——重构结果通过了3205个原始x86测试用例，63个编译函数字节级完全复现。

Notion剪贴板追踪：从渲染进程的剪贴板API一路追到preload、IPC、主进程，把富文本剪贴板格式摸了个底掉。以后想做类似功能，照抄思路就行。

东方Project TH04：把PC-98平台这个上世纪90年代的DOS游戏16位指令拆开，还原出弹幕环形扩散的角度计算公式。

从90年代的游戏到当下的Electron应用，通吃。

谁最该试试

我的判断是三类人：一是做二次开发的，遇到闭源依赖的黑盒行为，现在能问个明白；二是做安全研究的，审计一个Electron应用的IPC边界从几天缩到几小时；三是想学逆向的新人，跟着Agent的调查过程走一遍，比啃三个月教程入门快得多——它拆给你看的过程，本身就是最好的教材。

再泼一盆冷水（这是规矩）

• 深度二进制分析仍然要装引擎
  ：Ghidra免费但配置麻烦；Hopper和IDA是商业软件，REA的README明确写了——你必须合法持有这些工具的授权，破解版不支持。这条红线人家划得很清楚。
• 它降低的是“启动门槛”，不是“天花板”
  ：Agent给你的解释带证据、也带局限说明，但最终判断还得你来做。别指望它替一个真逆向工程师出庭作证。
• Node.js版本卡得比较死
  （22.19+ / 24.11+ / 26+），老环境先升级。
• 34.9万星不代表零学习成本
  ：你得先有个顺手的Agent，MCP是什么最好也大概知道。纯小白建议从拆Electron应用入门，那条路最平。
• 逆向有法律边界，项目DISCLAIMER写得明白：只用于合法研究、互操作和你有权分析的软件。拆自己买的东西，行；拆来破解别人的东西，不行。

副推：rockmatrix-ai/EdgeRock —— 推理再长，内存不涨

第二个项目画风突变，但来头不小。

10月19日，岩山科技旗下岩芯矩阵联合港科大、CMU开源了 EdgeRock-4B，量子位当天出了深度报道，证券时报、新浪财经跟进，排面不小。它解决的问题一句话：大模型推理越长，KV Cache越吃显存，这个行业老大难，它直接给釜底抽薪了。

传统模型每生成一个token就往显存里多存一份历史，这份历史叫KV Cache。今年Agent火成这样，问题被放大到了极致：一个Agent任务跑几十轮工具调用，上下文滚到十几万token稀松平常，显存先扛不住，一张卡能同时伺候的请求数咔咔往下掉。推理服务老板看着GPU账单，心都在滴血。

推理到256K上下文，一条序列光KV Cache就要8GB——一张80GB的卡同时服务几十个请求就到头了。

业界之前的解法分两派，但都不治本。一派给每个token“瘦身”：MLA压缩、KIVI量化、谷歌TurboQuant，单token成本降了，缓存照样随长度涨。另一派是有界状态模型（RWKV、Mamba这些），内存天生固定，代价是远处的关键细节留不住，推理能力大打折扣——16个参评的有界状态模型里，就算做到14B参数，AIME均分最高也只有18.8%。

EdgeRock-4B的路子是给记忆打“岩锚”（Rock Memory Anchors）：循环状态抓大意、1024token局部窗口管眼前、锚点库只留最值得记住的1024条记录——每处理256个token淘汰一轮，分低的出局。说白了就是，模型学会的不是“记住一切”，而是“只记值得记的”。

结果就是——每条序列的注意力KV恒定在72MiB，比源模型Qwen3.5-4B砍掉99.1%，上下文从4K涨到256K，内存占用一丝不动。

数字党直接看这组（官方技术报告口径）：

能力保留96.3%，吞吐干到6.42倍。更狠的是一个对照实验：把8个RMA模块全关掉，远距离记忆问答准确率从94.1%直接崩到0.4%——证明撑起长程推理的真是这套锚点，不是玄学。

打个比方你就懂了。传统模型像个强迫症秘书，领导说过的每句话都一字不落记在越来越厚的本子上，开会时间越长本子越沉，翻得还越慢。EdgeRock换了个聪明秘书：重点钉在软木板上（锚点），最近的事放手边（局部窗口），大方向记脑子里（循环状态）。会开三天三夜，桌子还是那么点地方。

这套东西对端侧的意义尤其大。机器人、车机、手机上的模型，内存本来就要跟感知、控制模块抢饭吃，KV Cache无限膨胀等于端侧部署判死刑。现在内存占用在设计时就定死了，工程上第一次可以“算得清账”。

跑起来也不复杂（README原命令）：

git clone https://github.com/rockmatrix-ai/EdgeRock.gitcd EdgeRockpython -m venv .venv && source .venv/bin/activatepython -m pip install ./wheels/transformers-5.7.0.dev0-py3-none-any.whl -e .hf download rockmatrix-ai/EdgeRock --local-dir checkpoints/EdgeRock-4Bpython run.py demo --model checkpoints/EdgeRock-4B \  --prompt 'Solve 17 × 23, explaining your reasoning.'

另外它的模型家族铺得很全：NF4、INT8、FP8、AWQ、GPTQ量化包一应俱全，还有手机端的LiteRT预览版——虽然官方老老实实标注了“Android真机验证进行中”。这种“先开源再补作业”的姿态，比PPT发布顺眼多了。

但对做Agent、做长文档分析、被显存卡脖子卡得嗷嗷叫的团队，这个方向值得盯紧。毕竟“内存不随推理长度涨”这件事，以前是物理定律级别的约束，现在有人把它拆了。

写在最后

今天这两个项目，一个帮你看懂别人的软件，一个帮你跑得起自己的模型。一个34.9万人已经用脚投过票，一个刚落地两天热乎着。它们指向的其实是同一件事：开源社区正把过去只有大厂和专家玩得起的能力，一件一件搬到普通人桌面上。五年前逆向是玄学，三年前大模型推理是有钱人的游戏，现在一个npx、一个git clone，都在你手里。

你更想拆哪个软件的底？评论区聊聊，指不定下期就拿它开刀。

数据来源声明

1. REA星数（约34.9万）来自shields.io对GitHub API的实时读取（2026-10-21），“30万星里程碑”见其README；quick-start命令、支持清单、showcase案例均摘自官方README及rea.tools。

2. EdgeRock-4B星数（560）来自GitHub API（2026-10-21）；82.9% AIME、72MiB恒定KV、6.42倍吞吐、94.1%/0.4%对照实验均为官方技术报告及README口径，未经第三方独立复测。