让 LLM 像人类逆向工程师一样思考：先跑起来看行为，再有目的地读代码。
RevAgent 通过 MCP (Model Context Protocol) 将 Ghidra 静态反编译与 GDB/pwntools 动态调试统一编排，配合自研 Agent 行为规训方法论，实现从二进制文件到逆向结论的端到端自动化分析。
现有的 AI 辅助逆向工具大多停留在"把反编译代码丢给 LLM 让它解释"的阶段。这在简单场景下有效，但面对真实的高难度样本时会迅速碰壁：
- 反编译不等于理解：Rust/C++ 内联后的巨型函数动辄上万行伪 C 代码，LLM 读了也是幻觉
- 静态分析有盲区：反调试、自修改代码、运行时生成密钥等场景，不跑起来永远看不到真相
- LLM 会陷入死循环：没有约束的 Agent 会反复尝试同一条失败路径，耗尽 Context Window
RevAgent 的解法是动静结合 + 行为规训：让 Agent 在静态分析遇到瓶颈时自动切换到动态调试，同时通过方法论框架约束 Agent 的推理路径，避免幻觉和无效循环。
为什么是 MCP 而不是 Function Calling / LangChain？
- 跨机器解耦：静态端在 Windows（Ghidra），动态端在 Kali VM，MCP 天然支持 stdio / SSE 两种传输，无需自造 RPC
- 工具规模：163 个静态分析工具 + 动态调试工具，MCP 的 tool schema 支持模型自主发现和选择
- 模型无关：换模型不需要改工具层，只需替换 MCP Client
这是 RevAgent 的核心竞争力——不是工具多，而是 Agent 知道什么时候该用哪个工具、什么时候该停下来。
任何题目，在做超过 5 分钟的静态分析之前，必须先动态运行程序观察行为。
静态反编译可能 misleading，但程序的实际交互行为不会骗你。
| 规则 | 内容 | 解决的问题 |
|---|---|---|
| 规则 0 | 先跑起来看看 | 避免盲目静态分析 |
| 规则 1 | 开题三步曲：追溯入口点 → 搜索关键字符串 → 输出攻击计划 | 建立结构化分析流程 |
| 规则 2 | 交叉引用是核心手段 | 低成本高收益的分析路径 |
| 规则 3 | 不信任函数名称 | 防止自定义函数伪装（如自定义 puts 中藏反调试） |
| 规则 4 | 禁止在 thinking 中做密集计算 | 强制使用脚本，避免 LLM 幻觉计算 |
| 规则 5 | 全局变量多处修改 → 动态读取 | 避免静态分析遗漏运行时修改 |
| 规则 6 | 每步行动后立刻产出 | 保持分析节奏，防止 thinking 卡顿 |
| 规则 7 | 巨型函数不反编译 | 防止 Context Window 溢出 |
| 规则 8 | 实验科学模式：dump 数据 > 读代码 | 从数据归纳模式比从汇编归纳容易一个数量级 |
时间熔断：单步 thinking > 3 min → 写 Python 脚本
单题总耗时 > 20 min → 暂停，输出进度摘要
方向熔断：同类输入连续 3 次失败 → 切换到 GDB 断点分析
同一函数看 3 页无结论 → 切换动态分析
追踪进入标准库内部 → 立刻停止
深度熔断：调用链 > 5 层未找到用户逻辑 → GDB I/O 断点直接观察
所有输入返回错误 → 断点分析输入解析函数
LLM 的 Context Window 是稀缺资源。RevAgent 的策略是让 Agent 做检索，而不是做阅读：
- 不反编译整个 binary，通过字符串 xrefs 定位关键路径
- 超过 5000 条指令的函数，用
CALL过滤只提取调用点 - 动态 dump 代替静态通读——把运行时数据喂给 LLM，而不是让它读汇编
本质上这是一个 RAG 思路：二进制是知识库，tool call 是检索，Context 里只放当前推理需要的片段。
所有动态分析在 隔离 Kali VM 中执行，宿主机通过 SSH 隧道通信。目标二进制的任何行为（网络、文件系统、进程）均被限制在 VM 内，快照可随时回滚。
Agent 生成的调试指令通过 参数化接口 执行（如 gdb_breakpoint_read 接受结构化参数），Server 端负责拼装合法 GDB 命令，避免命令注入。每次执行有 timeout 强制终止。
asyncio event loop (主循环，处理 MCP 消息)
│
├─ LLM 推理 (流式，非阻塞)
│
└─ ThreadPoolExecutor
├─ GDB 会话 (阻塞调用，run_in_executor 隔离)
├─ pwntools 交互 (阻塞调用)
└─ 子进程执行 (timeout 控制)
| 样本 | 难度 | 技术特征 | 结果 | 工具调用次数 |
|---|---|---|---|---|
| simp-password | ★☆☆ | 明文字符串比较 | ✅ 全自动 | ~4 |
| requiem | ★★☆ | Stripped Rust, XOR 加密 | ✅ 全自动 | ~10 |
| tomb (500pt) | ★★★ | 多层 XOR + 自定义 puts 反调试 + shellcode | ✅ 半自动 (4次人工) | ~30 |
| bedtime (DiceCTF) | ★★★★ | 巨型 Rust 二进制, 博弈引擎, PRNG | 🔄 分析阶段 | — |
- Ghidra 12.0+ 及 GhidraMCP 插件
- Kali Linux VM（推荐 Proxmox/VMware，需 SSH 访问）
- Python 3.10+,
pwntools,gdb - Claude Code 或任意支持 MCP 的 LLM Client
# 1. 静态端：安装 GhidraMCP 插件（按官方文档）
# 在 Ghidra 中: File → Install Extensions → 选择 GhidraMCP.zip
# 2. 动态端：部署到 Kali VM
scp dynamic_mcp_server.py kali@<VM_IP>:/your_path/
ssh kali@<VM_IP>
pip install pwntools mcp-server
# 3. 配置 MCP Client（以 Claude Code 为例）
# 编辑 .claude.json，添加两个 MCP Server：{
"mcpServers": {
"ghidra-mcp": {
"command": "python",
"args": ["bridge_mcp_ghidra.py"],
"transport": "stdio"
},
"pwntools-dynamic": {
"command": "ssh",
"args": ["kali@<VM_IP>", "python3", "/your_path/dynamic_mcp_server.py"],
"transport": "stdio"
}
}
}# 1. 启动 Ghidra，加载目标二进制，启动 GhidraMCP Server
# 2. 将目标二进制复制到 Kali VM
# 3. 启动 Claude Code
claude --dangerously-skip-permissions
# 4. 验证 MCP 连接
/mcp # 确认两端 ✓ Connected
# 5. 开始分析
> 请分析 /your_path/target_binary，找出 flag- GhidraMCP — 开源 Ghidra MCP 插件，本项目静态端的基础
- Model Context Protocol — Anthropic 开源的工具调用协议
MIT