Reverify 是一个面向逆向工程的 AI 辅助分析工具包，核心思路是“模型提出假设，确定性工具验证结果”。它可以对二进制文件进行格式解析、反汇编、字符串提取、AOB 模式扫描、轻量 CPU 仿真、Protobuf/TLV 解析、Frida Hook 脚本生成等操作，并通过 `verify` / `reconstruct` 机制把 AI 的结构、算法、指令等判断与真实二进制字节进行校验，降低大模型在逆向场景中的幻觉风险。项目使用 Python 编写，MIT 许可证，支持 CLI 和 MCP Server，可接入 Claude Code、Cursor 等 AI Agent 工作流。
适用领域
逆向工程 / 二进制分析 / 恶意软件分析 / CTF 安全竞赛 / AI Agent 工具链 / 软件安全研究 / 漏洞研究辅助 / 协议与数据格式分析 / Frida 动态插桩 / 开发者工具
配置难度
中等偏高。基础 CLI 命令安装和运行比较简单，Python 开发者可以快速上手；但要发挥其价值，需要使用者理解二进制格式、汇编、CPU 架构、逆向分析方法，以及如何把 AI 生成的假设转化为可验证的 claim。MCP 与 Agent 工作流集成也需要一定工程配置能力。
商业价值
对安全团队、软件保护团队和需要进行授权二进制分析的研发团队有较高价值。它可以将 AI 的探索能力和确定性工具的验证能力结合起来，提升初步分析、样本 triage、假设验证和报告可信度，尤其适合构建内部自动化逆向助手、恶意软件分析流水线、CTF/培训平台或安全研究辅助工具。其 MIT 许可证和轻量安装方式有利于企业二次集成，但在关键生产安全结论中仍应配合人工复核和成熟逆向平台使用。
01
技术亮点
- 核心卖点清晰：不是让 AI 直接猜逆向结论，而是通过确定性工具验证 AI 的假设，缓解二进制分析中的大模型幻觉问题。
- 提供 `VERIFIED`、`REFUTED`、`INCONCLUSIVE` 三态验证结果，并返回实际观测到的字节或证据，适合构建可信分析链路。
- 支持 CLI 与 MCP Server，既可用于传统命令行工作流，也可集成进 AI Agent 开发环境。
- 纯 Python 核心降低了安装门槛，不依赖 Ghidra 等重量级工具。
- 可选启用 capstone、unicorn、lief 等成熟引擎，兼顾轻量使用和高级能力。
- 覆盖面较广，包括 PE/ELF/Mach-O 解析、x86/x64/ARM/ARM64 反汇编、CPU 仿真、字符串提取、模式扫描、Protobuf/TLV 解析、Frida Hook 生成等。
- 适合自动化验证场景：CLI 在出现 refuted claim 时可返回非零状态码，便于 CI 或 agent workflow 进行 gating。
- MIT 许可证对个人、企业和研究用途都比较友好。
- 项目已有一定社区关注度，566 stars 和 114 forks 表明有一定开发者兴趣。
02
目标用户
- 安全研究员
- 恶意软件分析人员
- CTF 选手
- 逆向工程师
- 软件保护与反作弊研究人员
- 需要分析自有软件或授权软件的开发者
- 希望将 AI Agent 接入二进制分析流程的团队
- 使用 Claude Code、Cursor、Codex CLI 等工具的高级开发者
03
配置要求
- 需要 Python 运行环境，项目主要通过 pip 安装和 CLI 使用。
- 基础版本可使用纯 Python 核心，不强制依赖 Ghidra、IDA、Binary Ninja 等大型逆向平台。
- 如需更完整的多架构反汇编和仿真能力，建议安装 `reverify[full]`，以启用 capstone、unicorn、lief。
- 分析对象应为用户自有或已获得授权的二进制文件；项目明确定位于授权逆向、恶意软件分析、CTF、互操作性研究等合法场景。
- MCP 集成需要 AI Agent 客户端支持 Model Context Protocol，例如 Claude Code 或 Cursor。
- 若在自动化流程中使用 `verify`，需要准备 claim JSON 或 claims 文件，支持的 claim 类型包括 `bytes_at`、`pattern_present`、`string_present`、`instructions`、`emulate_result`、`protobuf_field`、`pe_import`。
- 在 Windows、Linux、macOS 上理论上可运行，但实际后端依赖如 capstone、unicorn、lief 的安装体验可能随平台和 Python 版本变化。
04
适用场景
- 对未知 PE、ELF、Mach-O 二进制文件进行快速自动化 triage，提取架构、入口点、节区、字符串、导入导出等信息
- 让 AI Agent 生成关于二进制结构或算法的假设，并使用工具验证其是否符合真实字节内容
- 在 CI 或自动化分析流程中验证反编译、重构或模式识别结果，若存在 REFUTED 结果则失败退出
- 通过 AOB 模式扫描查找特定指令序列或签名
- 对小段机器码进行反汇编和寄存器级仿真，验证算法或函数行为
- 解析 schema-less Protobuf 或 TLV 数据，辅助协议逆向
- 生成 Frida Hook 脚本，用于运行时观察函数调用、参数和返回值
- 辅助恶意样本静态分析，快速识别格式、字符串、导入函数和可疑行为线索
- 为 AI 逆向工作流提供 MCP 工具，使模型能直接调用确定性解析、反汇编、扫描和验证能力
05
部署与配置
- 确认本地已安装 Python 和 pip。
- 基础安装：`pip install reverify`。该方式使用纯 Python 核心，依赖较少，适合快速体验。
- 完整安装：`pip install "reverify[full]"`。该方式会启用 capstone、unicorn、lief 等成熟后端，获得更强的反汇编、CPU 仿真和 PE/ELF/Mach-O 解析能力。
- 检查当前启用的后端：`reverify backends`。
- 快速分析样本：`reverify auto sample.bin --json`。
- 解析 PE 文件：`reverify parse-pe sample.exe --json`。
- 反汇编十六进制机器码：`reverify disasm 90505831C0C3 --arch x86_64`。
- 如果从源码仓库直接运行，可使用：`python reverify/cli.py auto sample.bin --json`，纯标准库场景下也可运行基础功能。
- 如需接入 AI Agent，启动 MCP Server：`python reverify/mcp_server.py`，然后在 Claude Code、Cursor 等支持 MCP 的工具中配置该服务。
06
风险与注意事项
- 项目版本仍处于 v0.3.0，虽然 README 称已有成熟引擎和 96 个单元测试，但整体生态和稳定性可能不如 Ghidra、IDA、radare2、Binary Ninja 等成熟工具。
- AI 辅助逆向的效果高度依赖模型质量、提示词设计和 claim 设计；工具能验证明确假设，但不能保证自动产出完整、正确的逆向结论。
- 纯 Python fallback 能力可能有限，复杂架构、复杂指令、混淆代码、反调试和壳保护场景下可能需要更强后端或人工介入。
- README 强调授权使用，但工具可用于二进制分析和 Hook 生成，企业内部使用时需要配合法务、安全规范和样本隔离策略。
- 如果用于恶意软件分析，仍需在沙箱或隔离环境中运行，避免样本误执行、路径访问或网络访问风险。
- MCP Server 暴露给 AI Agent 后，需要关注文件系统访问边界、输入样本来源和命令执行权限，防止 Agent 误操作敏感文件。
- 支持多种格式和后端，但真实复杂二进制中的异常格式、加壳、损坏头部、混淆控制流可能导致解析不完整或 INCONCLUSIVE。
- 业务团队若缺乏逆向经验，可能误读工具输出，把 VERIFIED 的局部 claim 扩展成未经验证的整体结论。
2026-09-03
第15名
新收录 · github_search
