Lode 需求雷达
--卡片
--主题
--失败
GitHub项目说明 · 非用户反馈

AI 逆向工程结论需要确定性工具作为裁判,避免模型编造

Reverify 针对 AI 在二进制逆向中会自信编造偏移、大小与行为的阻碍,将 LLM 与确定性 RE 工具结合:模型先提出结构或算法假设,工具通过反汇编、模式匹配或模拟执行对照真实字节,返回 VERIFIED/REFUTED/INCONCLUSIVE 并提供观察到的事实。它以 CLI 和 MCP 服务器形态交付,可让 Claude Code、Cursor 等代理直接调用,把结论接地到二进制而不是模型想象。

查看原始信号github:2akouwu/reverify

目标用户

恶意软件分析人员、CTF 参与者、互操作性研究人员,以及需要从二进制中可靠重构结构或算法的安全分析人员。

潜在需求

分析者需要一种确定性校验机制,把模型关于结构、偏移、指令序列或执行结果的假设与实际二进制字节对照,只有通过校验的结论才被信任,从而让 AI 输出可用于恶意软件分析、CTF 与互操作研究。

发生场景

使用 LLM 辅助逆向二进制时,模型给出的结构或算法重建可能凭空编造偏移、大小和行为;由于缺少对结论的实测校验,分析者无法判断输出是真实还是模型想象,AI 结果因此难以被采纳到真实逆向工作中。

来源证据

语言模型在二进制逆向中会自信地编造偏移、大小和行为,幻觉问题是使用 AI 进行真实逆向工程的最大阻碍。

struct or an algorithm from a binary and it will confidently invent offsets, sizes, and behavior. In binary analysis this hallucination problem is far worse than in source code, and *"did the model just make that up?"* is the single biggest blocker to using AI for real RE. ## What Reverify does Reverify pairs a language model with a **deterministic, pure-Python RE toolkit** and makes the toolkit the judge. The model proposes; the tools verify. A hypothesis about a structure or an algorithm is
https://github.com/2akouwu/reverify

为什么值得留意

该信号把“AI 结论不可信”这一具体阻碍和一个不依赖重型平台的实现形态(纯 Python 校验核心 + MCP 代理接口)绑定在一起;模型提议、工具裁判的闭环可以被复用和移植,也提示了其他 AI 辅助分析领域可能存在类似的“可校验性”需求。

可能延伸 · 模型推测

  • 将“模型提议-确定性工具裁判”闭环扩展到源代码审计或固件分析流程
  • 基于验证结果构建可复用的二进制逆向结论数据集,供团队共享
  • 把验证循环的裁判结果作为反馈信号,减少模型在 RE 任务上的幻觉倾向

目前未知

  • README 为项目作者自述,尚无独立用户采用或反馈证据
  • “最大阻碍”的说法来自项目侧,未在行业层面验证
  • 未提供与 Ghidra/IDA 等成熟逆向工具在真实样本上的效果对比
  • 仓库创建时间短(2026-08-31 创建),社区热度仅代表关注度

继续核实

  • 在真实恶意软件或 CTF 样本上,“工具裁判”闭环相比人工复核能将误信 AI 结论的比例降低多少?
  • 现有逆向工程师对 AI 输出的处理方式是直接信任、人工复核还是自建校验脚本?
  • 验证闭环在加壳或混淆二进制上的失效边界在哪里?
  • 独立开发者是否愿意以 CLI/MCP 形式集成此类校验,而非依赖完整 GUI 工具?

主题词

binary analysisreverse engineeringai hallucinationgrounded verificationmalware analysis

管理令牌