AI Agent 反编译游戏：REA 让 Ghidra 自动写 C 代码

游戏反编译通常意味着在反汇编器里熬上几个月。现在，一个叫 REA 的开源工具正在改变这个流程——它把 AI coding agent 直接接入了 Ghidra、IDA 和 Hopper。

REA 是什么：一个 MCP Server 加一套 Agent 技能

REA 的定位很明确：它不是一个新的反编译器，而是一层「AI agent 与反编译工具之间的桥」。技术上它是一个开源的 MCP server，同时附带一套给 coding agent 用的 skill。安装只需要一条命令：

npx rea-agents setup

这条命令会把 MCP server 和 agent skill 一起装好。装完之后，你的 coding agent 就能通过统一的一套工具接口去驱动 Ghidra、IDA 或 Hopper——不管你习惯用哪个反汇编器，agent 的操作方式是一致的。

这个设计思路值得注意的地方在于「统一接口」：传统上 Ghidra、IDA、Hopper 各有各的脚本体系和 API，跨工具迁移成本很高。REA 把它们抽象成同一组 tool，让 agent 只需要学一次调用方式。

MCP（Model Context Protocol） 是 Anthropic 于 2024 年底推出并开源的协议，用于把外部工具、数据源以标准化方式暴露给大型语言模型。可以把它理解成「AI 应用与外部能力之间的 USB-C 接口」：只要一个工具实现了 MCP server，任何支持 MCP 的客户端（Claude Desktop、Cursor、各类 coding agent）都能直接调用它，无需为每个 AI 产品单独写适配层。REA 采用 MCP，意味着它不是绑定某个特定模型的插件，而是可以被任何兼容客户端复用的一层服务。

Ghidra、IDA、Hopper 是逆向工程领域的三款主流反汇编/反编译工具：Ghidra 由 NSA 开源、免费，插件与脚本生态庞大；IDA Pro 是老牌商业标准，被广泛用于安全分析；Hopper 则是 macOS 平台上常见的商业替代品。三者的脚本 API 与工作流差异很大，这也是 REA 强调「统一接口」的价值所在。

Showcase：从 DXBall 的一个函数说起

REA 官方给的演示案例选得很聪明——一个来自 DXBall 的 sound panning 函数。DXBall 是 1996 年的 Windows 游戏，年代久远，正好是那种反编译工具容易翻车的目标。

演示中，反编译器给出的输出是不完整的。

接下来 agent 做的事情是这样的：它读取了函数的汇编指令，从中识别出一个被反编译器漏掉的隐藏输入，然后据此用 C 重写了这个函数。结果相当硬核——重写后的实现通过了 3,205 个测试用例，并且编译后的 63 个字节全部一致。

这个数字组合透露了两层信息。「3,205 个测试用例通过」说明行为层面等价，「63 字节全匹配」说明生成的机器码在字节级别也一致。对于反编译这种对精度极度敏感的任务，字节级匹配是一个相当强的验证信号。

字节级一致性（byte-identical match） 是反编译质量评估中最严格的指标之一。它不仅要求重写出的 C 代码在逻辑上等价，还要求用原工具链重新编译后，生成的机器码与原始二进制逐字节相同。这在逆向工程和「decompilation project」（如 sm64、Zelda 反编译项目）中被视为金标准——因为行为等价可以通过测试覆盖，但字节一致意味着编译器优化、寄存器分配、指令顺序等所有细节都被精确还原，几乎排除了「碰巧通过测试」的可能性。

测试用例数量（3,205 个） 这类数字通常来自对函数的穷举式或随机化输入验证：把原函数和重写函数放在同一数据集上跑，比较输出是否完全一致。它是一个行为等价性证据，与字节级匹配互为补充——前者证明「逻辑对」，后者证明「实现细节也对」。

但先别急着兴奋：一个函数 ≠ 一个游戏

演示本身附带了一个明确的 caveat。

REA 做到的，是「一个函数」。而一个完整的游戏仍然是实打实的工程项目。为了说明规模差距，素材里给了一个参照：Snowboard Kids 有 2,145 个函数，一位开发者花了 84 天来完成。

把这个数字和演示对照一下就能看出问题——如果单个函数的处理还需要 agent 读取指令、识别隐藏输入、重写并验证，那么乘以 2,145 之后，工作量并不会因为「有 AI」就自动消失。反编译的难点从来不只在于写出等价的 C 代码，还在于理解函数之间的调用关系、数据结构布局、以及那些反编译器本来就容易出错的边界情况。

REA 的价值更可能体现在「降低单个函数的处理门槛」和「把机械性的重写工作自动化」，而不是「一键产出可编译的完整游戏源码」。

Snowboard Kids 的反编译参照 出自社区长期进行的主机游戏逆向项目。这类项目（例如 N64、PS1 游戏的 decompilation）通常以「函数覆盖率」作为进度指标，需要人工把每个函数翻译成原始 C 代码，并不断编译比对以确认与原 ROM 的机器码一致。2,145 个函数对应 84 天的工作量，平均每个函数超过半小时，其中大部分时间花在理解调用关系、结构体布局与边缘情况，而不是敲代码本身。这一数据也说明为什么作者强调「AI 改变的是填法，不是要不要填」——瓶颈往往不在写，而在理解和验证。

对逆向工程工作流的实际影响

从工具链角度看，REA 代表了一类正在成型的模式：把专业工具（Ghidra/IDA/Hopper）作为能力底座，用 MCP 这类协议把 agent 接进去，让 AI 负责「读指令、推断意图、写代码、跑验证」这一串动作。

对做逆向的人来说，这意味着几件事。重复性的函数重写可以交给 agent 先跑一轮，人力集中在架构级理解和疑难函数上。跨工具的成本降低了，同一套 agent 配置可以迁移到不同的反汇编器。验证环节变得更重要——案例里 3,205 个测试用例和字节级比对说明，可信度建立在可验证的基础上，而不是「agent 说它写对了」。

反编译游戏的入门门槛确实在下降，但从一个函数到一整个游戏之间，那 84 天的工程量仍然需要有人去填。REA 改变的是填法，不是要不要填。