---
title: "这两天 timeline 上都是 REA，一堆人惊呼“闭源商业软件要被 AI 扒得连底裤都不剩了”。 翻了下它的 repo、MCP 契约和几个 case，底层逻"
url: "https://reamcp.dev/zh-cn/cases/timeline-rea-ai-repo-mcp-case-ac3d44"
source: "https://x.com/i/status/2109597331762872359"
source_type: "resource"
author: "edisonZ"
author_handle: "ai_edisonZ"
stars: 0
category: "文件格式与协议"
categories: ["formats-protocols"]
tags: ["electron", "evidence-loop", "ipc", "mcp", "notion", "reverse-engineering"]
added: "2026-10-15T00:40:38.398Z"
updated: "2026-10-15T00:40:38.398Z"
locale: "zh-cn"
content_locale: "zh-cn"
---

# 这两天 timeline 上都是 REA，一堆人惊呼“闭源商业软件要被 AI 扒得连底裤都不剩了”。 翻了下它的 repo、MCP 契约和几个 case，底层逻

一篇分析 REA（Reverse Engineer Anything）架構的 X 长文，拆解其 MCP 分層設計、Evidence ID 證據迴圈機制，並以 Notion 剪貼簿 IPC 呼叫鏈為案例，最後討論其能力邊界（無法穿透後端、依賴本機 IDA/Ghidra、遇 VMP 加殼無效）。

## Description

这两天 timeline 上都是 REA，一堆人惊呼“闭源商业软件要被 AI 扒得连底裤都不剩了”。

翻了下它的 repo、MCP 契约和几个 case，底层逻辑其实非常直接，甚至没什么黑魔法。
它没有发明任何新的反编译模型，甚至连一行汇编都没自己解析过。

但为什么它能让 Claude Code 在几分钟内摸清 Notion 的跨进程通信，还能写出 clean-room 复现？
真正的反差和价值在这里。

1. 痛点：为什么以前直接把反编译代码喂给 AI 根本行不通？

大部分人之前都试过把逆向出来的汇编或者混淆 JS 塞给大模型。
结果基本是灾难：几千行剥离了符号名、上下文破碎的代码丢进去，大模型连猜带蒙，80% 的逻辑解释全靠脑补幻觉。

REA 换了个思路：不让大模型在最外层猜，而是做了一个本地运行的 MCP Server，把整个分析链路分层剥离：

 - 决策层（Claude Code / Codex）：理解目标、提假设、定方向，拿到证据后写复现代码。
 - 调度层（REA MCP）：统一各端逆向接口，输出带 Evidence ID 的结构化证据包。
 - 执行引擎（本地工具链）：原生程序调 IDA / Ghidra / Hopper 提取汇编与交叉引用；Electron / 前端直接做 AST 静态分析与 Source Map 还原；Android 调 JADX。

2. 核心机制：用 Evidence Loop 压死大模型的幻觉

逆向工程最消耗心力的，从来不是看不懂某段代码，而是在反编译窗口里不断手动追踪交叉引用（Xrefs）、记笔记、拼碎片。

REA 把这个过程变成了 Agent 的“查证循环”：
Agent 提出一个假设，工具返回包含精确字节偏移、调用拓扑的证据切片。更关键的是，如果某个静态分析调用图不完整，工具会显式打上“覆盖范围受限”的标记。

这意味着大模型不会把“静态范围内没查到调用”误判为“逻辑上不存在调用”，必须拿着上一轮确凿的 Evidence ID 才能追查下一层，把分析范围逐步收敛。

3. 具体 case：Notion 剪贴板跨进程调用链

看官方追踪 Notion 剪贴板的案例，过程其实非常清晰：
要搞清楚“Notion 网页端点击复制，内容如何写入系统剪贴板”：
 1. 扫描前端暴露的 API，定位到 preload 包装函数；
 2. 抓取到唯一的 IPC 通道名 notion:clipboard:write；
 3. 顺着通道名在主进程代码里定位监听器和权限校验；
 4. 最终串出调用 Electron 原生 API 的完整链路。

四步操作，AI 没有猜测任何代码实现，全靠 IPC 通道名这个事实锚点，把跨进程的调用端点严丝合缝拼齐。

4. 别神化它：3 个无法逾越的物理边界

看清它的价值，更要看清它的边界：

 1. 零后端穿透力：只能分析本地客户端内的代码。SaaS 产品核心逻辑全在云端服务器，这套工具碰不到分毫。
 2. 原生分析高度依赖本地环境：逆向 C/Rust/Go 原生程序，前提是你本机配好了商业版 IDA 或 Hopper / Ghidra，它自己不带反编译能力。
 3. 强加固依然是死穴：遇到 VMP 加壳、高强度控制流平坦化混淆，传统工具啃不动，REA 同样抓瞎。
 4. 产出的是机制与伪代码，无法凭空还原出 1:1 的原始工程源码。

5. 工程师视角的认知升维

REA 释放出的信号非常明确：
当 AST 静态分析、符号提取和交叉引用追踪被打包成 Agent 的基础工具后，分析客户端的门槛已经从“几天的人力消耗”缩减到“几轮对话的 Token 成本”。

纯靠客户端代码逻辑、前端打包和简单混淆构筑的所谓“技术壁垒”，防守收益正在趋近于零。

客户端代码正在变成全透明的白盒。软件真正的护城河，已经彻底转移到了云端私有数据飞轮、实时业务 Context，以及对用户真实场景的理解深度上。

## Original README

这两天 timeline 上都是 REA，一堆人惊呼“闭源商业软件要被 AI 扒得连底裤都不剩了”。

翻了下它的 repo、MCP 契约和几个 case，底层逻辑其实非常直接，甚至没什么黑魔法。
它没有发明任何新的反编译模型，甚至连一行汇编都没自己解析过。

但为什么它能让 Claude Code 在几分钟内摸清 Notion 的跨进程通信，还能写出 clean-room 复现？
真正的反差和价值在这里。

1. 痛点：为什么以前直接把反编译代码喂给 AI 根本行不通？

大部分人之前都试过把逆向出来的汇编或者混淆 JS 塞给大模型。
结果基本是灾难：几千行剥离了符号名、上下文破碎的代码丢进去，大模型连猜带蒙，80% 的逻辑解释全靠脑补幻觉。

REA 换了个思路：不让大模型在最外层猜，而是做了一个本地运行的 MCP Server，把整个分析链路分层剥离：

 - 决策层（Claude Code / Codex）：理解目标、提假设、定方向，拿到证据后写复现代码。
 - 调度层（REA MCP）：统一各端逆向接口，输出带 Evidence ID 的结构化证据包。
 - 执行引擎（本地工具链）：原生程序调 IDA / Ghidra / Hopper 提取汇编与交叉引用；Electron / 前端直接做 AST 静态分析与 Source Map 还原；Android 调 JADX。

2. 核心机制：用 Evidence Loop 压死大模型的幻觉

逆向工程最消耗心力的，从来不是看不懂某段代码，而是在反编译窗口里不断手动追踪交叉引用（Xrefs）、记笔记、拼碎片。

REA 把这个过程变成了 Agent 的“查证循环”：
Agent 提出一个假设，工具返回包含精确字节偏移、调用拓扑的证据切片。更关键的是，如果某个静态分析调用图不完整，工具会显式打上“覆盖范围受限”的标记。

这意味着大模型不会把“静态范围内没查到调用”误判为“逻辑上不存在调用”，必须拿着上一轮确凿的 Evidence ID 才能追查下一层，把分析范围逐步收敛。

3. 具体 case：Notion 剪贴板跨进程调用链

看官方追踪 Notion 剪贴板的案例，过程其实非常清晰：
要搞清楚“Notion 网页端点击复制，内容如何写入系统剪贴板”：
 1. 扫描前端暴露的 API，定位到 preload 包装函数；
 2. 抓取到唯一的 IPC 通道名 notion:clipboard:write；
 3. 顺着通道名在主进程代码里定位监听器和权限校验；
 4. 最终串出调用 Electron 原生 API 的完整链路。

四步操作，AI 没有猜测任何代码实现，全靠 IPC 通道名这个事实锚点，把跨进程的调用端点严丝合缝拼齐。

4. 别神化它：3 个无法逾越的物理边界

看清它的价值，更要看清它的边界：

 1. 零后端穿透力：只能分析本地客户端内的代码。SaaS 产品核心逻辑全在云端服务器，这套工具碰不到分毫。
 2. 原生分析高度依赖本地环境：逆向 C/Rust/Go 原生程序，前提是你本机配好了商业版 IDA 或 Hopper / Ghidra，它自己不带反编译能力。
 3. 强加固依然是死穴：遇到 VMP 加壳、高强度控制流平坦化混淆，传统工具啃不动，REA 同样抓瞎。
 4. 产出的是机制与伪代码，无法凭空还原出 1:1 的原始工程源码。

5. 工程师视角的认知升维

REA 释放出的信号非常明确：
当 AST 静态分析、符号提取和交叉引用追踪被打包成 Agent 的基础工具后，分析客户端的门槛已经从“几天的人力消耗”缩减到“几轮对话的 Token 成本”。

纯靠客户端代码逻辑、前端打包和简单混淆构筑的所谓“技术壁垒”，防守收益正在趋近于零。

客户端代码正在变成全透明的白盒。软件真正的护城河，已经彻底转移到了云端私有数据飞轮、实时业务 Context，以及对用户真实场景的理解深度上。