没有源代码,AI 也能帮你看懂软件?拆解 REA 的技术与商业机会

如果你使用过一个软件，想知道它某个功能究竟是怎么实现的，却没有源代码，你会怎么做？

传统方法可能是使用反编译工具、调试器和其他分析工具，再由有经验的开发者逐步追踪函数、模块和调用关系。

REA（Reverse Engineer Anything）尝试把这一过程与 AI 编程 Agent 结合起来。

项目地址：https://github.com/morluto/rea

它不是一个可以自动还原任何软件的万能工具，而是一个连接 AI Agent 与专业逆向分析工具的 CLI/MCP 工作流。

一、它解决了什么问题？

大语言模型擅长解释代码和生成代码，但它不能仅凭自己的语言能力，就可靠地知道一个闭源应用的内部实现。

REA 通过 MCP 和命令行，把逆向分析能力提供给 Agent。开发者可以提出一个具体问题，Agent 再调用相关工具调查，并根据返回的证据继续分析。

这让 AI 的作用从“回答一个问题”扩展到了“使用工具调查一个问题”。

二、它是怎么工作的？

可以把流程理解成四步。

第一步：确定目标。

开发者选择自己拥有或获授权分析的软件，并提出具体问题，例如研究 Electron 应用的模块关系，或调查一个原生程序的函数行为。

第二步：选择合适的分析工具。

REA 根据目标类型和已配置的工具提供分析能力。不同目标可能需要不同的反编译器、运行时工具或其他依赖。

第三步：收集分析证据。

工具可能返回模块、函数、指令、调用关系或运行时观察结果。REA 将这些结果交给 Agent 继续处理。

第四步：解释与验证。

Agent 根据证据解释程序行为，必要时继续调查，也可以尝试实现一个相似功能，再通过测试验证结果。

这一流程的关键不是 AI 能否直接猜中答案，而是它能否使用合适的工具，把推断建立在可检查的证据之上。

三、三个值得学习的产品设计

1. 连接专业工具，而不是重复开发所有底层能力

REA 不需要自己重新实现所有反编译器和调试器。它通过统一的接口协调不同的分析能力。

这是一种值得独立开发者学习的策略：底层能力可以依赖成熟工具，产品价值则体现在工作流整合、问题拆解和结果交付上。

2. 把大问题拆成具体的调查任务

“理解一个软件”太模糊，而“追踪某个 API 如何经过 IPC 到达主进程”则是可以调查的具体问题。

问题越具体，工具越容易选择，结果也越容易验证。

3. 让证据成为产品体验的一部分

REA 的目标不只是生成一段解释，还要将工具发现及其局限交给 Agent。

但证据并不意味着绝对正确。分析工具可能受文件格式、运行环境和工具能力限制，AI 也可能误读结果。

四、官方案例说明了什么？

REA 的官方案例包括：

• 分析 Notion 桌面应用的剪贴板处理逻辑。
• 研究经典游戏 DX-Ball 中的声音声像计算，并验证重建结果。
• 从 Aegis 已发布 APK 中追踪验证码生成逻辑。

这些案例展示了如何把分析过程转化成具体的解释和验证结果。

它们证明项目展示过这些特定任务的工作流程，但不能说明它能够以相同质量分析所有软件。

官方案例：https://rea.tools/showcase/

五、使用它需要多少成本？

项目代码采用 MIT 许可证，但使用整个工具链不一定没有成本。

首先，需要满足 Node.js 和 npm 的环境要求。

其次，部分原生二进制分析任务需要配置 Ghidra、Hopper 或 IDA 等工具。不同工具有不同的许可证和使用条件。

最后，AI Agent 所使用的模型可能产生额外费用，具体取决于模型、调用量和用户账户方案。

因此，目前不能给出一个适用于所有任务的统一成本数字。应当根据实际分析任务、工具选择和模型调用记录测算。

六、它自己赚了多少钱？

这是需要谨慎处理的问题。

目前没有足够的公开证据证明 REA 这个仓库本身有多少营收，也没有可靠证据确认其 MRR、ARR、付费用户数或利润。

GitHub Stars 和 Forks 能说明公开平台上的关注程度，但不能直接换算成收入。

更合理的做法，是分析它背后的需求可能怎样商业化。

七、四种值得验证的商业机会

第一，逆向分析服务。为有合法授权的软件团队提供具体功能分析、兼容性研究和问题定位。

第二，遗留系统理解与迁移。帮企业研究缺少文档的旧系统，辅助梳理功能和依赖关系。

第三，团队分析工作台。探索分析任务管理、证据留档、权限控制和报告协作是否存在付费需求。

第四，专业培训和技术内容。围绕可复现的软件分析案例提供课程、培训和顾问服务。

以上是根据项目能力提出的商业假设，并非已经验证的收入来源。

对于普通独立开发者，我更建议从某一个具体分析服务开始，寻找真实客户，再决定是否将重复需求产品化。

八、我的判断

REA 值得研究的原因，不只是它提供了多少工具，而是它展示了一种 AI 应用模式：

模型负责推理和规划，专业工具负责提供证据，开发者负责设定目标并验证结果。

如果你也在研究独立开发，最值得学的不是直接复制一个通用逆向平台，而是寻找一个范围明确、客户愿意付费、能够稳定交付的专业场景。

AI 可以降低某些工作的门槛，但商业成功仍然需要真实需求、可靠结果和合理成本。

资料来源：

• 官方 GitHub：https://github.com/morluto/rea
• 官方安装指南：https://rea.tools/get-started/
• 官方案例展示：https://rea.tools/showcase/
• 官方 FAQ：https://rea.tools/faq/

本文基于官方公开资料进行分析。商业化路线属于待验证假设，不代表项目已实现相应营收。