REA：用MCP把AI Agent变成逆向工程助手

逆向工程长期被视为高门槛领域，开发者面对没有文档的二进制文件、遗留系统或第三方库时，往往需要在 Ghidra 或 IDA 中手动追踪汇编指令，耗时且容易迷失在底层细节里。REA（Reverse Engineer Anything）试图改变这一局面：它通过 Model Context Protocol（MCP）把本地逆向工具接入 AI Agent，让 Agent 直接读取二进制、JavaScript、Electron 应用和 .NET 程序集，并在分析时引用具体偏移地址作为证据。

rss source: Reverse Engineer Anything: AI-Powered Binary Analysis

REA 是什么

REA 的核心是一套基于 MCP 的工具集，作用是把原始机器码与人类可读逻辑连接起来。它本身不替代 Ghidra、Hopper 或 IDA Pro，而是充当 AI Agent 与这些本地反编译器之间的桥梁——Agent 发出分析请求，REA 调用本机安装的反编译引擎执行重活。

据项目说明，REA 完全在本地运行，专有代码和敏感二进制不会离开你的机器。它给出的解释基于证据，会引用具体二进制偏移或代码块，这意味着你得到的不是 LLM 的“猜测”，而是可在反编译器中即时验证的分析结果。

MCP（Model Context Protocol） 是由 Anthropic 提出并开源的一套协议标准，用于在 AI 应用与外部数据源、工具之间建立统一接口。可以把它类比为「AI 领域的 USB-C」：过去每个 AI 客户端要接入某个工具（如数据库、文件系统、命令行），都需要写一套专属适配代码；有了 MCP 之后，工具方只需实现一次 MCP Server，任何支持该协议的客户端都能直接调用。MCP 通常基于 JSON-RPC 通信，本地场景下多通过 stdio 启动子进程，远程场景则用 SSE 或 HTTP。正因为它把「工具发现」和「工具调用」标准化了，REA 这类项目才能以一个 npm 包的形态，被 Claude Desktop、Cursor、Continue 等不同客户端即插即用。

反编译引擎（Decompiler） 与反汇编器不同：反汇编器把机器码翻译成汇编指令，而反编译器进一步把汇编还原成接近 C 语言风格的伪代码，大幅降低阅读成本。Ghidra 是 NSA 开源的免费套件，Hopper 主打 macOS 平台的轻量与交互，IDA Pro 则是商业逆向领域的长期标杆，Hex-Rays 反编译器尤以还原质量著称。三者的伪代码风格、API 和自动化能力各不相同，REA 屏蔽这些差异，让 Agent 通过统一接口调用它们。

安装与配置

REA 以 npm 包形式分发，安装前需要本机已安装 Node.js。基本流程如下：

npm install -g rea-agents
npx rea-agents setup
rea-agents --help

setup 命令会把 REA 工具注册到本地 AI Agent 配置中，例如 Claude Desktop 或其他兼容 MCP 的客户端。如果需要分析原生二进制，还需要预先安装 Ghidra、Hopper 或 IDA Pro 之一，REA 会调用这些引擎完成反编译。

实际使用流程

以下是一个典型场景：你需要弄清某个遗留 Windows 二进制中认证流程是怎么实现的。

连接 Agent

打开支持 MCP 的 AI 客户端（如 Claude Desktop），在工具列表中应能看到 rea 工具集。如果使用自定义 MCP 客户端，需要手动把 rea-agents 服务器加入配置文件。

指定分析目标

向 Agent 提供目标文件路径和具体问题。例如：

“我需要理解这个二进制中的认证逻辑：/path/to/target_app.exe。请用 REA 反编译相关函数，并解释它如何验证用户令牌。”

查看证据式输出

Agent 会触发 REA 工具，与本机反编译器交互，提取伪代码并给出分解。典型输出会包含具体偏移地址，例如指出认证逻辑位于 0x4012A0，validate_token 函数先从请求缓冲区取出头部，再用 0x405000 处的静态密钥做 XOR 运算，最后与硬编码字符串 AUTH_SUCCESS 比较，并附上反编译代码片段。有了精确偏移，你可以立刻在自己的反编译器中复核结论。

偏移地址（Offset） 是理解二进制分析的关键概念。可执行文件被加载到内存后，每条指令、每份数据都位于一个虚拟地址上，例如 0x4012A0 表示某个函数的入口。逆向时所谓的「引用偏移」，就是把这个地址作为证据锚点：读者拿到地址后，可以在反编译器中按 G 键跳转到该位置，亲眼确认那里的指令或数据是否与 AI 的描述吻合。

这正是 REA 区别于「让 LLM 凭训练记忆猜代码」的核心——大语言模型面对原始字节时极易编造看似合理的逻辑，而偏移地址把结论钉死在可复现的坐标上。需要补充的是，同一函数在不同工具、不同基址（Image Base）下显示的地址可能不同，对比时要注意统一加载基址或参考相对偏移（RVA），否则会得出「地址对不上」的误判。

为什么这个思路值得关注

REA 的设计体现出三个明确取向。

证据优先。 Agent 不凭空推断逻辑，而是引用确切的二进制偏移，把 LLM 的输出锚定在可验证的事实上。这对于安全分析和遗留系统维护尤其关键——错误结论的代价可能很高。

隐私优先。 分析在本地完成，不需要把专有软件上传到云端，企业环境中的合规障碍因此降低。

工作流整合。 不需要在 IDE 与独立逆向套件之间反复切换，分析结果直接出现在 AI 对话窗口中，减少了上下文切换成本。

适用人群与边界

REA 面向安全研究员、需要复刻功能的开发者，以及维护遗留代码的工程师。需要留意的是，它依赖外部反编译器，输出质量会受底层引擎和二进制混淆程度影响；引用偏移地址能提升可信度，但不能完全消除 AI 误读反编译结果的可能。对于高度混淆或加壳的样本，仍需要人工判断。

项目资源包括 GitHub 仓库（github.com/morluto/rea）、官网与指南（rea.tools）、npm 包（rea-agents）以及 Discord 社区。对希望在本地安全环境下把 AI 引入逆向流程的团队来说，这是一个值得评估的起点。