RedMoon / 训练日志

· REA / Agent / MCP / 逆向工程 / Electron / 证据驱动

REA 技术解析:让 Agent 沿着证据做逆向工程

RedMoon · 资料截至 2026 年 10 月 13 日。分析对象为 morluto/rea,源码固定于 d13c9f840d36a321a56917e75c48afcb8d72920e;同期 npm 稳定版为 rea-agents 6.4.0。[1][2]

看到一个应用中的功能,往往很容易描述它做了什么,却很难回答它怎样完成:按钮触发了哪个模块,数据经过了哪些进程,最后又调用了哪个原生函数?当源码缺失,或者只拿得到安装包、压缩后的 JavaScript 和可执行文件,这些问题就需要逆向分析。

REA,全称 Reverse Engineer Anything,把这条调查路径开放给 AI Agent。Agent 通过 MCP 调用 REA,REA 再调用分析器、读取制品或观察运行中的程序,返回带有来源的结果;Agent 根据结果提出下一轮问题,最终解释行为,或写出可以验证的新实现。[1][3]

它值得关注的工程设计,是把跨工具分析、证据保存、未解问题和验证范围接到同一个工作流里。理解这套设计,比单看“逆向任何东西”的名字更能判断它在实际项目中的位置。

一、REA 在 Agent 系统中的位置

REA 的生产入口是 CLI 和 MCP server,核心实现采用分层的 ESM TypeScript。外部 Agent 负责制定调查策略、解释结果和生成实现;REA 提供分析工具与结果契约。Hopper、Ghidra、IDA 等引擎承担原生代码的反汇编和反编译,JavaScript 路径则通过解析器及应用图分析组织程序关系。[1][3][4]

这可以拆成四个角色:

角色 负责什么 典型输出
Agent 将问题拆成查询,决定下一步,解释证据或生成实现 调查结论、重建代码、测试方案
REA 工作流 选取分析路径,组织调用,保存与比较结果 Evidence、应用图、功能路径、未解问题
分析 provider 从目标文件或运行环境中提取信息 汇编、伪代码、AST 关系、脚本及网络观察
验证工具与夹具 比较原目标和候选实现,检查明确的行为范围 差异报告、测试结果、编译产物对照

MCP 是 Agent 调用工具的接口。REA 的 CLI 与 MCP 共用 application 层的工作流,因此终端脚本和 Agent 可以进入同一套分析与证据体系。这里的“一套”指共享语义和实现;两种入口的进程与会话生命周期仍有区别。[3][5]

它的使用场景集中在已交付的软件制品、缺源码的功能调查,以及需要观察实际行为的问题。对于拥有完整源码的普通仓库架构分析,项目自身的工作流说明也建议直接使用常规代码阅读工具。[6]

二、源码架构:把分析引擎与调查逻辑分开

源码中的依赖方向围绕 provider-neutral 的业务语义组织。下表将仓库架构图压缩成阅读时最有用的路径。[3]

层 主要位置 作用
入口 scripts/rea.mjs、src/cli.ts、src/main.ts 分派一次性 CLI 命令或启动 MCP stdio 服务
接口适配 src/server/、src/cli/ 校验请求,映射工具契约,编码结果和错误
生产组装 src/composition/ 创建 provider、会话、可选能力和资源生命周期
调查工作流 src/application/ 组合分析、Evidence、比较和功能追踪
领域语义 src/domain/ 证据身份、应用图、覆盖状态、比较规则和验证判断
契约 src/contracts/ 定义调用者可见的输入、输出与工具目录
引擎与平台边界 src/ghidra/、src/hopper/、src/ida/、src/browser/ 等 适配工具协议、文件格式与平台能力
进程基础设施 src/process/、src/windows/、native/windows/ 超时、取消、进程归属、私有工作区与清理

以一次 JavaScript 功能追踪为例,MCP handler 先解析 application Evidence 输入,调用共享的工作流函数,再记录输入证据和新结果,最后通过统一的结果编码返回给客户端。功能追踪自身消费已经得到的图,不需要再次读取应用或执行目标。[7][8]

这种分层有两个直接收益。首先,工具名称与调用者需求可以保持稳定,Ghidra、Hopper 等引擎的协议差异留在 adapter 中。其次,证据验证、比较规则和错误语义可以同时服务 CLI 与 MCP,减少两套入口给出不同解释的机会。

Provider 选择有明确依据

AnalysisProviderRegistry 将候选 provider 按 ID 排序,检查可用性、目标支持和分析 profile。自动选择存在唯一可用候选时才绑定;多个可用候选产生 ambiguous,要求调用者选择。指定引擎失败时,系统保留该引擎的失败原因和诊断信息。[9]

这个选择机制让调查结果能够回答“是谁分析的、用什么配置分析的”。不同引擎对函数边界、类型、调用关系的恢复可能不同,把 provider 选择记录下来,是解释这些差异的前提。

三、Evidence:一次分析究竟保存了什么

REA 将分析结果放入统一的 Evidence record。它保存的不只是结论,还包括目标身份、引擎身份、参数、来源位置,以及这次结果能支持的判断类型。[4][10]

字段 阅读时要问的问题
subject 分析的是哪份制品?SHA-256、格式与架构是什么?
provider、analysis_profile 哪个工具和版本产生结果?使用了哪些分析设置?
operation、parameters 实际执行了什么查询?
raw_result 是否保留了区别于统一结果的 provider 原始表示?
normalized_result 当前操作的统一结果是什么?
confidence、authority 结果是观察、派生还是推断?证据来自哪里?
locations 能否回到文件偏移、代码地址或制品路径?
limitations、relationship_coverage 覆盖是否完整?哪些关系尚无法确定?
evidence_links 当前结果依赖哪些已有 Evidence?

其中 confidence 是 observed、derived、inferred 三种分类,用来区分结果的产生方式。它不是一个经过概率校准的正确率分数。[10]

例如,“某条汇编指令位于某地址”可以来自直接观察;“应用图中存在一条从入口模块到 IPC 包装器的路径”来自图的派生;“这个请求对应某个业务动作”则可能需要进一步推断。把三者分开,读者就知道下一步应该补哪类证据。

Evidence ID 如何保护结果一致性

evidence.ts 对 Evidence 的语义投影计算摘要,得到 ev_ 前缀的 ID。投影包含目标内容身份、provider、profile、参数、原始与统一结果、覆盖信息及依赖链接;目标名称和展示路径没有作为 subject 身份的一部分加入该投影。导入时会重新计算 ID,语义内容与 ID 不匹配则拒绝。[10]

EvidenceLedger 保存不可变记录,重复相同内容可幂等接收,冲突内容被拒绝;导入整个 bundle 时先验证,再提交变更,避免坏输入留下半份会话状态。[11]

这建立的是记录的内容完整性与可追溯性。判断本身是否正确,仍取决于分析器、输入和验证方法。持有完整记录的一方可以生成新的合法记录,因此摘要还需要与来源和信任边界一起解释。

Unknown 也是正式数据

REA 为尚未解决的问题建立 residual unknown,记录问题、状态、支持与矛盾证据、所需证据类型、建议探针和修订关系。状态包括 open、investigating、blocked、contradicted 与 resolved。[12]

例如,已经识别到一个 IPC 包装器,但参数是动态字符串,暂时无法确定频道。系统可以保存“频道归属未解决”,而不是把它当成没有 IPC。后续源码范围、运行观察或独立验证能够接着处理这个问题。

四、JavaScript 与 Electron:从安装包恢复功能路径

对于 ASAR 或提取后的 JavaScript/Electron 目录,入口是 analyze_javascript_application。REA 组织模块、导入、source map、路由、IPC、原生 add-on 关联及配套语义关系,让 Agent 能围绕一个功能沿图追踪。[1][7]

Electron 特别适合解释这个流程。一个渲染页面中的按钮,可能经由 preload 的 contextBridge 进入 IPC,再由 main process 调用操作系统能力。只读页面代码,或者只找到一个字符串,往往还没有覆盖整个功能。

以“复制富文本”为调查问题,可以按以下顺序推进:

  1. 分析提取后的应用目录或 ASAR,先取得 application graph。
  2. 查看模块列表,定位 preload、renderer 与 main process。
  3. 以 API、IPC channel、模块或字符串为 seed,追踪相关关系。
  4. 检查具体的代码位置,区分明确字面量与动态参数。
  5. 当图到达原生边界时,按目标 digest 和 export 转交合适的原生分析路径。
  6. 为仍然动态或有歧义的关系补充运行观察或测试。[6][7]

静态解析能回答哪些问题

语义图覆盖词法定义与读取、属性读写、闭包捕获、可唯一解析的局部调用、参数和返回值关系,以及受支持的 Promise、事件、定时器、资源获取与释放等模式。[7]

图中一条 resolved 的调用关系,表示在当前静态分析范围内找到唯一目标。它是否在某次运行中执行,需要运行证据。动态属性、无法解析的调用、解析恢复和不支持的 API 形状继续保留 unknown;候选边默认不混入确定路径。[7]

这种保守处理对压缩后的 bundle 很重要:变量名很短、别名很多、包装器很深,图能提供调查起点,但一次静态遍历无法自动补齐所有动态行为。

运行证据如何与静态图对齐

reconcile_javascript_runtime 将静态 application graph 与浏览器、Electron 或 V8 Inspector 观察进行匹配。这个步骤消费已有 Evidence,自身不启动目标或读取新的应用文件。[13]

匹配时,捕获源码的 SHA-256 与位置共同提供较强的对应依据;唯一内容摘要也可建立匹配。只有路径对应时,结论保留为位置推断;多候选保留歧义;同路径字节不一致则报告 mismatch。路径名称不能覆盖摘要冲突。[13]

对 bundle 中的内嵌模块,系统还区分:

状态 可以如何理解
loaded 找到了被接受的运行脚本对应
resident-in-loaded-asset 模块所在的外层资源已被观察到,模块本身尚未独立证明执行
not-observed 当前观察窗口没有得到加载证据,需要结合覆盖范围解释

对齐解决的是“观察到的脚本与哪份静态制品相关”。要证明某段代码导致某个结果,仍需要相应的调用、输入输出或干预证据。[13]

五、原生二进制:沿着函数、指令和常量继续追踪

对于原生可执行文件或库,REA 通过所选 provider 提供函数分析、伪代码、汇编、字符串、名称、引用和调用关系。Agent 可以从一个特征字符串或已知地址入手,逐步定位调用者、被调用者和常量。[1][9]

三类深度分析 provider 有各自的连接方式:

Provider REA 如何连接 需要关注的条件
Hopper 启动分析工具并通过内部 Python bridge 适配其 API 安装、授权、宿主支持与可用操作
Ghidra Headless Java bridge,分析临时工作区中的目标 import profile、语言与编译器设置、宿主能力
IDA 适配外部 IDA MCP,使用已连接 GUI 或拥有的 headless 数据库 上游 MCP profile、目标绑定与可用操作

这些路径来自源码架构和 provider 文档。工具提供的操作范围按 session 能力发现来判断,不能只因为某个 provider 名称存在就假定它支持所有工具。[3][4][9]

伪代码之后为什么还要读汇编

反编译器会推断类型、参数和表达式。调用约定、浮点指令或不完整的函数恢复,都可能影响伪代码表达。REA 保留汇编、字节读取和来源地址,使 Agent 能在伪代码之外继续核对原始行为。[14]

DX-Ball 的 sound-pan 案例正好展示了这条路径。公开记录中,函数伪代码没有完整恢复栈参数与 x87 表达式;调查进一步检查调用者、FILD、FMUL、FSUB 和常量位置,恢复出横坐标、比例与整数转换之间的计算关系。[14]

这里,“发现一个看起来合理的 C 函数”与“证明这段函数重建正确”是两个阶段。后者需要将原始执行结果或编译产物拿来比较。

六、让大结果适合 Agent:完整保存,按需读取

大型应用的 Evidence 可能远超模型一次需要阅读的内容。REA 当前 MCP 契约同时处理保存与传输:分析可以完整保留在 session 中,而首次回复返回 summary,后续用 inspect_analysis_view 读取某模块、函数 facet 或稳定分页。[4]

一个适合 Agent 的访问顺序是:

目标分析,选择 summary
    → 取得 parent_evidence_id
    → 查看模块或函数清单
    → 选择具体对象及 facet
    → 沿功能路径追踪
    → 必要时导出完整 evidence bundle

这段顺序是对工作流的概括,实际参数以当前 server 广告的 schema 为准。[4][6]

代码中的 ToolResultDelivery 和 encodeToolResult 会计算统一结构和文本表示在 MCP 回复中的实际开销。默认预算围绕所固定 SDK 的 10 MiB 接收缓冲,并给外层消息留出空间。结果超过预算时,系统返回 resource_constraint 和已保存 Evidence 的续读入口,而不是把截断文本当作完整成功结果。[4][15]

这里要分清两种成本:回复字节数是一种传输指标,Agent 总 token 和任务耗时则包括工具发现、后续查询、错误、重试与模型处理。项目的公开效率记录也分别讨论这些指标,部分实测中回复缩小并没有对应总 token 或耗时下降。[16]

因此,summary/view 的直接价值是控制阅读范围、保留完整分析并支持继续查询。具体任务是否更省 token、更快,需要在相同问题和条件下测量。

七、从解释功能到重建实现:验证必须有明确对象

REA 的 reconstruction obligation ledger 将已有 Evidence 和人工审阅后的要求组织成待验证的重建义务。一个 required obligation 需要有明确实现归属、所需类型与测试案例,以及与原观察具有可比证据类型的 passing verifier。[17]

例如“取消中的请求恰好得到一个终态响应”,就不能靠看到一个 cancel() 函数来关闭。需要将请求、取消与最终响应的协议记录对应起来,再用验证结果证明候选实现满足这个要求。

矛盾、重复归属、缺失依赖、未解问题或无法获得的证据类型,会使义务保持开放或失败。输入没有 Evidence、没有义务时,ledger 返回 unknown,而不会因为清单为空就判定完成。[17]

这让重建任务从“代码已经写出来”变成一组可以逐项验收的主张。项目还提供 readiness conformance verifier 检查自己的制品、证据、比较、重放和清理规则;它属于仓库验证器,不是替用户自动证明任意应用完成重建的公开 MCP 工具。[18]

三个公开案例,三种不同证据范围

案例 公开记录支持的结果 适用范围
DX-Ball 声像计算 记录了 3,205 个原始 x86 差分案例,并复现该函数全部 63 个编译字节 一段声像计算函数及固定重建 checkpoint
Notion 剪贴板 bridge 静态定位 preload 中暴露的 API 和动态 invoke;再结合包装器源码与独立探针解释路径 所选桌面制品、源码范围和独立缓存探针
TH04 弹幕环计算 REA 检查原始 16 位指令与字节;历史重建记录验证包含该 helper 的 2,139 字节范围 所选函数、周围贡献范围与固定历史编译工具链

上表引用的是项目公开案例记录,并区分 REA 检查、源码阅读和重建项目已有验证。函数、范围与夹具各有明确边界。[14][19][20]

Notion 案例尤其有参考价值:其精确 IPC channel seed 在静态图里没有匹配,公开说明保留了这处动态传播缺口,再用实际源码范围解释包装器关系。一个诚实暴露缺口的工具结果,仍然可以支持后续有效调查。[19]

八、能力范围与 Windows 使用条件

当前仓库文档覆盖原生、JavaScript/Electron、浏览器、.NET、Android、网络记录、固件、WASM、EVM 和 SQLite 等目标。这些能力对应不同 provider 与环境,以下按调查需要归组。[1][21]

需要回答的问题 相关能力 条件与解释范围
安装包里有什么、功能在哪个模块 制品清单、ASAR、JS 应用图、静态 .NET 可先从文件读取和静态分析开始
原生函数如何计算 Hopper、Ghidra、IDA 自备相应引擎;格式、架构和宿主支持分别确认
网页加载和请求如何关联 CDP、浏览器脚本与网络观察 需要 Chrome 系浏览器,结论受观察窗口影响
Android 包与设备行为 JADX、ADB、Apktool、JEB 相关能力 每条路径需要自己的工具和连接条件
录制的数据表达什么 HAR/SAZ、PCAP、逻辑信号、core 文件等 读取历史记录;额外工具与宿主限制各自不同
跨版本变化或重建是否成立 证据比较、义务 ledger、验证结果 明确成对输入、覆盖范围与比较依据

面向 Windows,最直接的起点通常是静态 JavaScript/Electron 或静态 .NET。深度原生分析则需要看具体 provider 的宿主边界。[1][22]

Ghidra 的 Windows P0 文档要求 Windows 10+ x64、固定本地 NTFS 目标与临时卷、兼容 Node.js、自备 Ghidra 12.1.x 及符合其要求的完整 JDK。支持对象是原生、非 managed 的 x86/x86-64 PE 应用或 DLL,提供 25 项只读分析操作;这条路径仍标为实验性,并有路径与文件系统准入约束。[22]

因此,拿到 .exe 或 .dll 后先判断内容类型很关键:普通原生 PE、托管 PE/CLI 和 NativeAOT 的分析入口不同。扩展名并不能代替格式识别。[5][22]

九、怎样开始一次可解释的调查

截至本次核对,GitHub 最新正式 release 与 npm latest 都为 6.4.0,GitHub 发布时间是 2026 年 10 月 11 日。本文所读 main commit 属于 10 月 13 日,部分 main 能力可能尚未进入该正式包;实际调用前要发现当前工具列表和 schema。[2][6][21]

下面的命令固定稳定包版本,供选择目标后使用。它们是根据文档整理的操作入口,本文的调查没有执行目标应用或更改 Agent 配置。[5][21]

先查看面向 Codex 的配置计划:

npx rea-agents@6.4.0 setup --client codex --dry-run

希望接入 Agent 时,再运行交互式 setup,审阅它提出的路径与改动:

npx rea-agents@6.4.0 setup --client codex

只做一次静态应用分析,可以直接走 CLI:

npx -y rea-agents@6.4.0 analyze-javascript-application "D:/apps/example" --json

D:/apps/example 需要替换为选定的提取目录或 ASAR。大型结果应保存并投影为 summary 或局部 view;一次性 CLI 是独立进程,后续命令通过已保存的完整 Evidence 或 bundle 继续,不能沿用上一进程的内存引用。[5]

REA 要求 Node.js 22.x 至少 22.19、24.x 至少 24.11,或 26+;具体能力可能有更高要求。setup 负责选定客户端的配置与工作流文件,工具引擎和依赖按文档另行准备。[1][21]

一次有用的任务描述可以是:

分析这个 Electron 应用的搜索功能。
从实际打包模块追到数据来源和排序逻辑。
给出来源位置,列清动态关系。
为可以重建的部分写验证案例,并保留尚未解释的行为。

任务的重点在于指定目标、功能和验收行为。REA 负责提供可查询的制品与运行证据,Agent 据此提出下一步调查,验证则对明确的输入和输出负责。

十、对 AI 工程的启发

REA 展示了一种适用于复杂 Agent 工具的设计:工具返回能够继续调查的事实和来源,Agent 围绕这些证据推进任务。

这套设计中最有复用价值的部分有四个:用格式和目标身份选择分析路径;让 CLI 与 MCP 共用工作流;将原结果、覆盖范围和 unknown 保存成结构化记录;用显式义务与测试界定“已经完成”的范围。[3][4][17]

它也提示了 Agent 产品的评估方式。工具数量、一次输出长度和生成代码的速度都只能描述局部。真正决定调查质量的,是能否沿来源回查、在动态关系处继续提问、保留矛盾,并用适当的验证关闭具体主张。

参考资料

以下源码与文档链接固定到本文分析 commit;release 与 npm 链接用于核对稳定版本。

  1. REA README:定位、能力与工作流
  2. REA 6.4.0 正式 release;npm 6.4.0 元数据
  3. 源码架构图
  4. MCP runtime contracts
  5. CLI 与 Evidence 工作流
  6. 项目的逆向调查工作流说明
  7. JavaScript 跨层功能、语义与版本工作流
  8. MCP 功能追踪 handler;共享追踪工作流
  9. AnalysisProviderRegistry
  10. Evidence schema 与语义身份
  11. EvidenceLedger:记录与原子导入
  12. Residual unknown 的数据结构
  13. JavaScript 静态与运行观察对齐
  14. DX-Ball sound-pan 的公开证据与验证范围
  15. MCP 结果交付策略;实际传输体积编码
  16. 分析效率测量方法与结果解释
  17. Reconstruction obligation ledgers
  18. Readiness conformance 验证范围
  19. Notion clipboard 的公开证据与动态缺口
  20. TH04 bullet-ring 的公开证据与历史编译验证
  21. 安装、客户端配置与 main/release 边界
  22. Windows Ghidra P0 的支持边界