做逆向的朋友应该都有过这种体验扔给IDA一个文件F5一按一屏伪代码出来了但变量名全是 v1、v2、v3函数名全是 sub_405A10。要读懂这个函数少则几分钟多则几十分钟如果一个程序有几百个这样的函数那就只能靠熬了。最近一年多我开始把大语言模型当成自己的副驾驶直接把它接进IDA Pro的工作流里让AI先帮我读一遍代码、给出注释和重命名建议我再基于这些结果做深度确认。这篇文章就是我实践了几十个样本之后沉淀下来的一套方法包括了方案选型、具体脚本、提示词技巧和一堆踩坑记录希望能让想给IDA配个AI搭档的人少走点弯路。这个做法适合谁如果你是做恶意代码分析、CTF逆向、文件格式解析或者偶尔要审计一个没开源的二进制程序那AI副驾驶确实能把你从阅读海量无意义伪代码里解放出来。但先说清楚AI不是替你逆向它是帮你把读代码这一步大幅提速最终判断还是要落在你手上。1. 为什么逆向工程需要AI副驾驶1.1 传统逆向工作流的真实痛点先聊聊我自己的感受。一个典型的逆向任务是拿到一个未知二进制搞清楚它的核心逻辑程序入口在哪、校验函数是什么、加密算法用的什么、有没有后门行为。传统流程一般是先跑字符串、看导入表、定位可疑函数然后进IDA逐个函数 F5 看伪代码。问题就出在逐个函数看这一环。反编译出来的伪代码尤其是经过编译器优化和混淆处理的代码可读性极差。整页代码充斥着 v1、v2、v3 这种临时变量名判定条件和循环逻辑来回嵌套没有任何注释。你要顺着代码逻辑把每个变量当作什么、每个分支在做什么都推理清楚才能给函数起一个像样的名字。这个过程非常消耗脑力而且注意力稍微一断往往就要从头再来。还有一个痛点是定位目标。一个真实样本的体积动辄几千个函数就算你能排除大部分库函数剩下的有效函数也有几百个。即便通过交叉引用找到某个关键函数函数内部到底做了什么还是得逐行读。很多情况下你花了一个小时读通了一个函数最后发现它只是做了一段CRC32校验不是你要找的核心逻辑。这个痛点本质上是一种阅读理解瓶颈。我脑子的算力不是不够而是被大量低信息量的伪代码占满了。AI出现之前这个瓶颈无解只能靠经验提高阅读速度靠直觉跳读但大语言模型出现之后事情变了它天生擅长把大段代码归纳成自然语言。1.2 AI补足的是哪块能力缺口大语言模型在逆向分析里真正强的地方不是它多聪明而是它能在短时间内处理大量上下文然后做出高质量的归纳。一个几百行的伪代码函数人读可能要二十分钟它几秒钟就能给你一个结构化的解释这个函数先做了什么初始化、中间哪个循环在解码数据、最后把结果写到哪个全局变量里。这种归纳能力非常贴合逆向工作的核心需求。我们看伪代码本质上就是想搞清楚这段代码到底在做什么AI恰好能直接输出这一层理解。更关键的是它还能跨函数联想把一个看起来像查表的常量数组、一个异或循环、一个字符替换逻辑组合到一起判断出这可能是一个自定义的加解密流程。我做对比实验时拿一个混淆过的二进制测试让AI分析一个带大量无意义分支的函数它给出的结论是这段代码通过冗余分支干扰分析实际只执行了三次异或和一个字节替换。我顺着它的思路去看发现确实如此。这种能力放在以前需要我先识别出整个混淆模式才能下结论现在等于多了一个见多识广的同事在旁边帮你先看一遍代码。1.3 什么场景最适合它什么场景先别用适合AI副驾驶的场景很明确一是CTF逆向题目函数少、逻辑集中AI能帮你快速定位关键校验逻辑我有好几次破题就是靠它先圈定了可疑函数二是恶意代码分析样本经常带混淆和加密逻辑AI对常见加密算法特征和混淆手法的识别率很高三是文件格式解析解析代码往往逻辑重复AI可以把每一段解析分支解释得很清楚帮你快速画出一个结构图。不适合的场景也明确一是高安全要求的核心算法还原比如某个关键数字签名算法你不能让AI猜一个结论出来这必须逐字节验证二是对抗性很强的混淆代码如果样本专门加了针对AI分析的混淆变换模型的准确率会明显下降三是太小的、信息量极少的片段一个只有几行的函数AI给出的解释可能比函数本身还绕。另外必须强调一个前提用IDA做分析时操作对象必须是你有权分析的样本自己写的程序、授权的测试样本、CTF赛题这些都没问题。别拿这套东西去分析未经授权的软件这不是技术问题是底线问题。2. 集成方案选型不同路线的取舍2.1 四条主流的落地路线给IDA接上AI听起来很酷但落地方式有好几条路线各有各的坑。我梳理了一下目前主流的做法大概有四类。第一类是直接用社区里现成的AI辅助插件。这类插件通常把IDA的反编译结果抓出来发给大模型再在侧边栏展示解释。优点是开箱即用装完就能体验缺点是更新维护依赖作者而且不同作者对提示词和接口的处理水平参差不齐碰到API版本升级插件可能就失效了得等作者跟进。第二类是外部脚本模式就是用Python在IDA外部把整个分析过程跑起来。具体做法是先用IDAPython批量导出关键函数的反编译结果、函数调用关系、字符串引用等信息然后在IDA外部调用一个Python脚本把这些信息逐条发给AI再把AI的输出整理成报告。这种方式的优点是对IDA环境几乎没有侵入适合做离线批量分析报告缺点是没法直接在IDA里交互式地应用重命名、改注释修改还是得手动回填。第三类也是我推荐自己动手做的方案就是直接在IDA的IDAPython环境里写脚本调用AI模型的API接口让AI的分析结果直接作用于IDA数据库。这个方案的优点很直接互动感强按一个键就能让AI分析当前函数AI建议的名字可以直接应用注释能直接写进反编译视图整个工作流是闭环的。缺点是脚本需要自己维护而且要处理好API超时、异常、批量任务不能阻塞UI这些问题。第四类是部署本地模型把一个小尺寸的代码模型跑在本地通过本地接口让IDA调用。这个方案的优势是数据不出内网适合处理敏感样本代价是需要一台有像样显存和内存的机器而且本地小模型的代码理解能力通常不如商业大模型复杂混淆场景下效果会差不少。四条路线其实不矛盾可以混着用。我现在日常用第三类作为主力偶尔用第二类做批量报告本地模型则作为断网环境下的备用方案。2.2 我为什么最后选了IDAPython直接调AI接口选型时我纠结了很久最后确定用IDAPython直接调API核心原因是四个字工作流闭环。什么叫闭环就是我在IDA里选中一个函数运行脚本AI的分析结果出现在界面上我觉得某个建议合理一键应用到函数名和局部变量名上AI的解释文本自动写入函数注释之后再看这个函数时注释就在那里上下文一直保留着。这种体验是外挂脚本给不了的。另一个原因是批量能力。我可以写一个循环遍历函数列表只挑那些看起来复杂的函数丢给AI完成后自动给函数写注释。一个几百KB的样本只要API额度够半小时内就能把所有关键函数的初步解读刷完。这份初步解读即使有偏差也能作为我后续深入分析的索引效率提升非常明显。还有一个很实际的原因是可控性。自己写脚本提示词是完全可控的我可以针对不同样本定制提示模板分析加壳逻辑用一套分析加密算法用另一套分析C虚函数用第三套。AI的输出格式也可以做严格约束比如要求它只返回JSON这样脚本解析起来非常稳定。插件很难给你这种可编程的灵活性。2.3 动手前先确认的软硬件条件在动手写脚本前先花几分钟确认环境能省掉后面一堆破事。IDA版本方面我建议用7.x以上版本因为从7.0开始IDAPython默认使用Python 3而且反编译接口和中间层的API都相对稳定。8.x也能用但部分接口的调用位置有调整我下面给的代码在7.x和8.x上都能跑不过如果你用的是旧版本可能需要小改。确认IDA内置的Python环境是否带requests库。IDA 7.x自带的Python比较干净不一定有requests。没有的话要么在你的系统Python里装好requests然后想办法让IDA的Python环境也用它要么干脆在脚本里用urllib发请求虽然写起来繁琐一点但零依赖省心。我自己是直接用urllib少安装一个依赖就少一个踩坑点。然后是API访问渠道。你至少需要一个网络可达的AI模型服务商业API或者本地模型服务都行只要能通过HTTP接口发送消息和接收回复就可以。这一点上我建议准备一个环境变量或配置文件来保存API地址和密钥别把密钥硬编码在脚本里脚本是可能发给别人看的密钥不能随手飞。3. 从零搭起你的AI副驾驶3.1 最小可用版本让AI读懂一个函数我写脚本有一个习惯先做一个最小可用版本确认整条链路通了再逐步加功能。你要做的第一件事就是在IDA里写一个脚本把当前光标所在的反编译函数伪代码抓出来。下面这段代码就是一个最基础的抓伪代码脚本import idaapi import ida_hexrays import idc ea idc.get_screen_ea() func idaapi.get_func(ea) if func is None: print(当前地址不在函数内) else: try: cf ida_hexrays.decompile(func.start_ea) pseudo_code str(cf) print(pseudo_code[:1000]) # 先打印一部分确认能抓到 except Exception as e: print(反编译失败:, e)如果没成功先检查两件事。第一你是否已经开启反编译功能比如按过F5让反编译器加载过第二当前函数是不是库函数或过于特殊的函数这类函数可能反编译失败。确认伪代码能抓出来之后下一步就是把这些文本发给AI。发请求用的是最基本的HTTP调用我用urllib写了一个通用函数import urllib.request import json def call_ai(prompt, api_key, base_url, model_name): headers { Authorization: fBearer {api_key}, Content-Type: application/json } payload { model: model_name, messages: [ {role: system, content: 你是一名资深的二进制逆向分析工程师擅长阅读IDA反编译伪代码。}, {role: user, content: prompt} ], temperature: 0.2 } req urllib.request.Request( base_url /chat/completions, datajson.dumps(payload).encode(utf-8), headersheaders ) with urllib.request.urlopen(req, timeout60) as resp: data json.loads(resp.read().decode(utf-8)) return data[choices][0][message][content]base_url和model_name这里留空你需要替换成你自己用的模型服务的实际接口地址和模型名。temperature我习惯设低一点做代码分析时我不希望模型太有创意稳定和准确优先。到这里你已经可以让AI给你解释当前函数了。把抓到的伪代码拼接在提示词后面发出去把返回的解释打印在输出窗口里。整个链路的雏形就出来了。3.2 让AI输出结构化重命名建议有了基础的链路下一步就是让AI不只给解释还要给出可直接应用的重命名建议。关键一步是让AI以固定格式返回结果我用的是JSON。这是我的一个提示词模板实测效果比较稳定你现在是一名资深逆向工程师。以下是IDA反编译得到的伪代码。 伪代码 请完成三件事 1. 用不超过五句话概括该函数功能。 2. 找出最可能代表该函数用途的名字格式为[建议名]。 3. 对伪代码中出现的 v\d 局部变量和可疑全局变量给出可读性更高的建议名。 只输出JSON不要输出任何解释性文字格式如下 { summary: ..., function_name: ..., renames: {v3: decrypted_data, v7: input_len} } 如果信息不足请在对应字段里写unknown。用JSON的好处是解析稳定。我见过不少人在提示词里让AI用自然语言回答结果就是AI的回复里夹带各种格式不固定的内容解析起来极其痛苦。强制JSON以后虽然偶尔会有非法JSON的情况但整体成功率高得多。拿到AI返回的JSON后解析和应用的代码如下import json import re def apply_ai_suggestions(cf, ai_text): try: parsed json.loads(ai_text) except Exception: print(AI返回内容不是合法JSON跳过) return # 1. 写注释 summary parsed.get(summary, unknown) cf.add_comment(cf.entry_ea, summary) # 2. 重命名函数 fname parsed.get(function_name, ) if fname and re.fullmatch(r[A-Za-z_][A-Za-z0-9_]{2,}, fname): idaapi.set_name(cf.entry_ea, fname, idaapi.SN_FORCE) # 3. 重命名局部变量 renames parsed.get(renames, {}) for lv in cf.lvars: if lv.name in renames: new renames[lv.name] if re.fullmatch(r[A-Za-z_][A-Za-z0-9_]{2,}, new): lv.name new cf.save() print(AI建议已应用)这里面有个细节cf.add_comment把解释写成了函数入口处的注释这样以后每次看到这个函数都能直接看到AI的解读。局部变量重命名是通过cf.lvars实现的先匹配变量名再赋值给它。这一步做完你再看反编译视图函数名、变量名、注释就都被刷新了。这里我必须提醒一下自动应用重命名本身是有风险的。AI的建议不是百分百正确所以我的脚本里做了一个半自动逻辑在真正应用之前先把建议打印出来我自己扫一眼确认靠谱才执行。你也可以在脚本里加一个input()交互确认这个后面在避坑章节里细说。3.3 批量扫描与全库注释单个函数的链路打通以后自然就想批量处理。思路很简单遍历函数列表跳过库函数和小函数对每个函数调用上面的流程把结果写进数据库。下面是一个批量处理的核心循环import idautils import ida_funcs MIN_FUNC_SIZE 40 # 伪代码少于多少行不处理 ea_list [] for func_ea in idautils.Functions(idc.get_first_seg(), idc.get_last_seg()): f idaapi.get_func(func_ea) if f.flags ida_funcs.FUNC_LIB: # 跳过库函数 continue # 粗略按函数字节数过滤 if f.size() 32: continue try: cf ida_hexrays.decompile(func_ea) except Exception: continue code str(cf) if len(code.splitlines()) MIN_FUNC_SIZE: continue ea_list.append(func_ea)筛选条件可以自己调。我的习惯是先跑一个预览模式就是把所有待处理函数的名字和伪代码行数打出来人工扫一遍确认没有把一堆无用的库函数也送进去。这一步值得做因为批量调用API会消耗额度也会花不少时间。批量处理的另外一个关键点是异步和队列。如果直接在IDA主线程里一个函数一个函数地跑你会发现界面的进度条一直转鼠标也卡着不动。我的做法是把任务拆成小块每处理一个函数就等待几秒钟给UI一点刷新空间。更激进的做法是放到单独的线程里但那样又要处理IDA的线程安全问题非必要不建议碰。批量处理完以后你手上就会收获一个初步解读版本的数据库每个关键函数都有注释和名字。这一步做完你的人工分析就可以从读函数变成验证AI的解读效率完全是两个量级。3.4 把交叉引用和段信息也喂给模型我发现给AI喂纯伪代码的效果虽然不错但如果能把上下文信息也传进去分析质量会有一个质的飞跃。什么叫上下文信息就是在伪代码之外把函数的关键属性也告诉AI。举个例子一个函数在.rdata段引用了一个很大的常量表AI如果看不到这个常量表它可能猜不到这个函数在做什么校验但如果把常量表的开头几十个字节和长度告诉它它很可能就会联想到这是一个查表解密函数。我实际用的一个提示词模板是这样的函数名称: sub_405420 所在段: .text 函数大小: 256 字节 是否被调用: 是且共被 5 个高层函数调用 引用的字符串: - Usage: %s file - invalid file format 引用的常量表地址: .rdata:0x4730, 长度为 256 字节 以下是伪代码 ...多出来的这些信息我通过IDA接口直接获取。交叉引用可以用idautils.CodeRefsTo拿到调用者数量段信息用idc.get_segm_name()。常量表内容直接读字节转成十六进制字符串放进去。AI看到这些线索后给出的结论通常比纯看伪代码靠谱得多。不过要注意上下文长度限制。伪代码本身就占了很多token再塞一堆字符串和常量表很容易把模型上下文撑爆。我的做法是只截取最关键的信息比如引用的字符串最多给8条常量表只给前64字节。信息不是越多越好给得太多反而会干扰模型判断也增加成本。4. 实战片段与提示词调优记录4.1 片段一混淆逻辑还原我实际遇到过一种很典型的混淆代码函数里塞了几十个无意义的分支和死代码真正的逻辑被埋得很深。人去看这种伪代码特别痛苦因为你得花大量精力去排除干扰项才能看到核心逻辑。丢给AI之后它给出的解读让我印象很深它直接把代码按有效逻辑和干扰逻辑分了两类。有效逻辑归纳出来就是先从一个固定表中取256字节然后用输入字节做索引交换两个位置的字节最后和另一个常量异或。这本质上是一个自定义的S盒变换AI给出的注释直接标注了疑似S盒初始化。这个案例说明了一个重要规律在混淆场景下AI的价值不是替你还原每一个字节的操作而是帮你跳过干扰项快速锁定有效逻辑。这种全局视角恰恰是人在海量伪代码里容易丧失的。调优提示词时如果我知道样本有混淆会在开头加一句该函数疑似包含混淆代码请先区分有效逻辑与干扰逻辑。加了这句话之后AI的输出结构会明显更清晰它会主动告诉你哪些代码可以忽略这比我手动剔干扰项要快得多。4.2 片段二CTF赛题快速定位关键校验CTF逆向的典型特点是函数量不大但你需要快速找到核心校验函数。传统玩法是跑起来看一下程序行为再猜关键函数我现在的玩法是直接把main函数的伪代码发给AI让它列出main里调用了哪些关键函数并标注每个函数的可疑程度。有一次分析模拟的题目main函数伪代码有将近两百行要是以前我得一段一段看到底。AI在十几秒内给出的结论是流程前半部分在解析输入格式后半部分调用了一个关键校验函数校验函数内部做了两次异或和一次数据比较。我按它指的路找到那个校验函数进去一看确实就是整个题目的唯一判断点。不过这里我必须强调AI不是万能的它定位的可疑函数有时候是错的。我记得另一道模拟题目里AI把一个字符串打印函数标记为高风险但我人工看下来那只是一段辅助提示代码真正逻辑在另一个看起来很普通的初始化函数里。这说明AI的判断要当作候选线索不能当作定论。4.3 提示词技巧会让效果差很多同样的模型同样的伪代码提示词写法不一样效果可以差出一大截。这里分享几个我实际试过有效的技巧。第一用角色设定确实有用。我在系统提示词里加了你是一名资深逆向工程师效果比不加明显好。模型会更倾向于用专业术语也更容易引用二进制分析中的常见模式。这不算什么玄学本质上是给模型一个合适的输出风格锚定。第二一次只让AI回答一个问题。有段时间我图省事一个提示词里既让它总结功能又让它找出所有可疑的缓冲区溢出点还让它给变量改名结果AI的回答开始顾此失彼summary写得笼统rename也丢三落四。后来拆分任务效果稳定多了。第三让AI先思考再输出但限定字数。你可以这样写请先自行推理但最终答案不要超过300字。这能保证AI给出经过推理的结论但又不会输出一大篇心灵鸡汤式的废话。尤其在识别算法的时候我自己觉得让AI先给两种假设再选一个的分析质量更好。第四明确要求信息不足时直接说不知道。很多人用AI吃过的亏是模型会在信息不足时空想一个答案。我加了这句约束以后AI在那拿不准的时候至少会坦白说出来我就可以去补充其他信息而不是对着一个虚构结论浪费时间。4.4 当模型开始胡扯时该怎么做AI给出的注释和重命名质量并不是恒定的。我踩过最深的坑是让AI批量处理一个加了VM保护的样本结果模型开始一本正经地胡说八道把很多幻觉信息写进了注释和函数名里相比之下我手动看过的函数还好一点那些直接接受AI建议的函数注释后来我复查时发现一大半都不太对甚至把方向带偏了。所以我给自己的脚本加了几条规则。第一条不自动应用所有建议只自动写入summary作为注释因为注释是给人看的有错也能看出来重命名则必须经过人工确认。第二条把AI给出的函数名建议和原始函数名同时显示只有我先删掉确认后才执行重命名。第三条对AI已经生成的注释如果后续人工分析结论和它不一致我会直接覆盖不让错误结论残留在数据库里。另一个应对胡扯的手段是让AI在返回结构里增加一个confidence字段数字越低越可疑。脚本可以根据置信度决定是否自动应用建议。比如confidence低于0.7的建议直接高亮标记但不应用这种半自动化策略让我省了不少事。5. 常见问题速查与避坑经验5.1 API调用异常与容错整个流程跑起来以后最常让我头疼的就是API调用问题。第一个是超时。传入的伪代码一大模型思考时间就会变长60秒超时有时候都不够。我的处理是分级超时先给30秒如果失败就重试一次重试时把超时拉长到90秒。如果还是失败就干脆跳过当前函数把它的地址记到一个日志文件里等下一轮再补。这样不会让整个批量任务中断在第一个超时上。第二个是限流。商业API的并发和速率限制很严批量分析时很容易触发限流返回429之类的错误。对策是加退避逻辑收到限流响应后sleep几秒再重试。我用的策略是简单指数退避第一次等5秒第二次等10秒第三次等20秒超过五次就放弃当前函数。虽然会拖慢速度但总好过整个任务中途崩溃。第三个是认证失败。这类问题通常是密钥过期或者接口地址变了。我建议把API地址、模型名、密钥都放在配置文件里不要写在脚本里。脚本里只留读配置的逻辑这样换密钥时不用动代码。5.2 IDA侧交互异常脚本在IDA里跑会遇到一些IDA特有的问题。最常见的是大量AI建议同时应用时IDA的重命名冲突。如果AI建议的名字和数据库已有的符号重名idaapi.set_name就会失败。所以应用名字前我会先用idaapi.get_name和idaapi.set_name扫一遍是否冲突有冲突就在建议名上加后缀比如decrypted_data_2而不是直接覆盖。另一个问题是UI卡死。批量处理时如果直接在主线程里跑循环IDA会变成白屏或转圈严重的时候还会让用户误以为崩溃。我的做法是每处理20个函数就主动让出一下UI线程具体可以用idaapi.qsleep或者直接time.sleep一小会让界面刷新。虽然会损失一些速度但至少你还能看得到进度。还有一个容易被忽视的坑局部变量重命名在IDA里是有作用域限制的。你不能简单地把一个局部变量名直接set到全局地址上必须通过cf.lvars来做。这里涉及IDA的中间层变量模型如果你的脚本对局部变量重命名不生效大概率是这一步没有处理好。5.3 模型选型的一点个人建议关于到底选什么模型我没有办法给你一个必选名单因为模型迭代太快了但我可以分享一点取舍逻辑。日常使用我会倾向选上下文窗口大、价格适中、函数级代码理解好的商业API。上下文窗口尤其重要因为一个大型函数的伪代码加上各种额外信息很容易超过两三千个token窗口小的模型会截断截断后AI的分析质量会明显下降。离线场景我用本地模型。本地模型的好处是数据不出机器适合处理一些敏感样本。但要明确一点本地小模型和商业大模型在代码理解能力上还是有不小差距尤其是在复杂混淆和跨函数推断的场景里。如果只是做基础的功能归纳和注释本地模型完全够用如果你想做深度的逻辑还原还是商业API更稳。关于成本批量分析一个几百KB的样本把所有主要函数都让AI过一遍大概会消耗几十万token折合成本不算高在可接受范围内。对于个人使用来说完全可以先小批量测试确认效果再加量。使用这套流程几个月下来我最大的感受是AI并没有让我变成一个更厉害的逆向工程师但它把我从大量重复、低价值的伪代码阅读里解放出来了。以前我一晚上顶多认真看完三五个函数现在我可以先让AI把全库刷一遍然后带着那份初步笔记去重点突破难题。这个转变跟当年从汇编逐行读变成F5看伪代码本质上是同一种效率革命。最后再分享一个小技巧AI生成的摘要和注释建议你用自己的话重新整理一遍再写入最终报告。AI的文字可以帮你快速理解但如果你直接照搬很容易被AI那种貌似逻辑通顺但细节经不起推敲的表述带偏。逆向这个活最后的准确性和判断力始终得靠自己。AI这个副驾驶再强方向盘还是得握在你手里。 
长河君 · 2026/10/22 10:51:53 · 阅读 1.2k 给IDA Pro装上AI副驾驶：用大语言模型提升逆向分析效率
做逆向的朋友应该都有过这种体验扔给IDA一个文件F5一按一屏伪代码出来了但变量名全是 v1、v2、v3函数名全是 sub_405A10。要读懂这个函数少则几分钟多则几十分钟如果一个程序有几百个这样的函数那就只能靠熬了。最近一年多我开始把大语言模型当成自己的副驾驶直接把它接进IDA Pro的工作流里让AI先帮我读一遍代码、给出注释和重命名建议我再基于这些结果做深度确认。这篇文章就是我实践了几十个样本之后沉淀下来的一套方法包括了方案选型、具体脚本、提示词技巧和一堆踩坑记录希望能让想给IDA配个AI搭档的人少走点弯路。这个做法适合谁如果你是做恶意代码分析、CTF逆向、文件格式解析或者偶尔要审计一个没开源的二进制程序那AI副驾驶确实能把你从阅读海量无意义伪代码里解放出来。但先说清楚AI不是替你逆向它是帮你把读代码这一步大幅提速最终判断还是要落在你手上。1. 为什么逆向工程需要AI副驾驶1.1 传统逆向工作流的真实痛点先聊聊我自己的感受。一个典型的逆向任务是拿到一个未知二进制搞清楚它的核心逻辑程序入口在哪、校验函数是什么、加密算法用的什么、有没有后门行为。传统流程一般是先跑字符串、看导入表、定位可疑函数然后进IDA逐个函数 F5 看伪代码。问题就出在逐个函数看这一环。反编译出来的伪代码尤其是经过编译器优化和混淆处理的代码可读性极差。整页代码充斥着 v1、v2、v3 这种临时变量名判定条件和循环逻辑来回嵌套没有任何注释。你要顺着代码逻辑把每个变量当作什么、每个分支在做什么都推理清楚才能给函数起一个像样的名字。这个过程非常消耗脑力而且注意力稍微一断往往就要从头再来。还有一个痛点是定位目标。一个真实样本的体积动辄几千个函数就算你能排除大部分库函数剩下的有效函数也有几百个。即便通过交叉引用找到某个关键函数函数内部到底做了什么还是得逐行读。很多情况下你花了一个小时读通了一个函数最后发现它只是做了一段CRC32校验不是你要找的核心逻辑。这个痛点本质上是一种阅读理解瓶颈。我脑子的算力不是不够而是被大量低信息量的伪代码占满了。AI出现之前这个瓶颈无解只能靠经验提高阅读速度靠直觉跳读但大语言模型出现之后事情变了它天生擅长把大段代码归纳成自然语言。1.2 AI补足的是哪块能力缺口大语言模型在逆向分析里真正强的地方不是它多聪明而是它能在短时间内处理大量上下文然后做出高质量的归纳。一个几百行的伪代码函数人读可能要二十分钟它几秒钟就能给你一个结构化的解释这个函数先做了什么初始化、中间哪个循环在解码数据、最后把结果写到哪个全局变量里。这种归纳能力非常贴合逆向工作的核心需求。我们看伪代码本质上就是想搞清楚这段代码到底在做什么AI恰好能直接输出这一层理解。更关键的是它还能跨函数联想把一个看起来像查表的常量数组、一个异或循环、一个字符替换逻辑组合到一起判断出这可能是一个自定义的加解密流程。我做对比实验时拿一个混淆过的二进制测试让AI分析一个带大量无意义分支的函数它给出的结论是这段代码通过冗余分支干扰分析实际只执行了三次异或和一个字节替换。我顺着它的思路去看发现确实如此。这种能力放在以前需要我先识别出整个混淆模式才能下结论现在等于多了一个见多识广的同事在旁边帮你先看一遍代码。1.3 什么场景最适合它什么场景先别用适合AI副驾驶的场景很明确一是CTF逆向题目函数少、逻辑集中AI能帮你快速定位关键校验逻辑我有好几次破题就是靠它先圈定了可疑函数二是恶意代码分析样本经常带混淆和加密逻辑AI对常见加密算法特征和混淆手法的识别率很高三是文件格式解析解析代码往往逻辑重复AI可以把每一段解析分支解释得很清楚帮你快速画出一个结构图。不适合的场景也明确一是高安全要求的核心算法还原比如某个关键数字签名算法你不能让AI猜一个结论出来这必须逐字节验证二是对抗性很强的混淆代码如果样本专门加了针对AI分析的混淆变换模型的准确率会明显下降三是太小的、信息量极少的片段一个只有几行的函数AI给出的解释可能比函数本身还绕。另外必须强调一个前提用IDA做分析时操作对象必须是你有权分析的样本自己写的程序、授权的测试样本、CTF赛题这些都没问题。别拿这套东西去分析未经授权的软件这不是技术问题是底线问题。2. 集成方案选型不同路线的取舍2.1 四条主流的落地路线给IDA接上AI听起来很酷但落地方式有好几条路线各有各的坑。我梳理了一下目前主流的做法大概有四类。第一类是直接用社区里现成的AI辅助插件。这类插件通常把IDA的反编译结果抓出来发给大模型再在侧边栏展示解释。优点是开箱即用装完就能体验缺点是更新维护依赖作者而且不同作者对提示词和接口的处理水平参差不齐碰到API版本升级插件可能就失效了得等作者跟进。第二类是外部脚本模式就是用Python在IDA外部把整个分析过程跑起来。具体做法是先用IDAPython批量导出关键函数的反编译结果、函数调用关系、字符串引用等信息然后在IDA外部调用一个Python脚本把这些信息逐条发给AI再把AI的输出整理成报告。这种方式的优点是对IDA环境几乎没有侵入适合做离线批量分析报告缺点是没法直接在IDA里交互式地应用重命名、改注释修改还是得手动回填。第三类也是我推荐自己动手做的方案就是直接在IDA的IDAPython环境里写脚本调用AI模型的API接口让AI的分析结果直接作用于IDA数据库。这个方案的优点很直接互动感强按一个键就能让AI分析当前函数AI建议的名字可以直接应用注释能直接写进反编译视图整个工作流是闭环的。缺点是脚本需要自己维护而且要处理好API超时、异常、批量任务不能阻塞UI这些问题。第四类是部署本地模型把一个小尺寸的代码模型跑在本地通过本地接口让IDA调用。这个方案的优势是数据不出内网适合处理敏感样本代价是需要一台有像样显存和内存的机器而且本地小模型的代码理解能力通常不如商业大模型复杂混淆场景下效果会差不少。四条路线其实不矛盾可以混着用。我现在日常用第三类作为主力偶尔用第二类做批量报告本地模型则作为断网环境下的备用方案。2.2 我为什么最后选了IDAPython直接调AI接口选型时我纠结了很久最后确定用IDAPython直接调API核心原因是四个字工作流闭环。什么叫闭环就是我在IDA里选中一个函数运行脚本AI的分析结果出现在界面上我觉得某个建议合理一键应用到函数名和局部变量名上AI的解释文本自动写入函数注释之后再看这个函数时注释就在那里上下文一直保留着。这种体验是外挂脚本给不了的。另一个原因是批量能力。我可以写一个循环遍历函数列表只挑那些看起来复杂的函数丢给AI完成后自动给函数写注释。一个几百KB的样本只要API额度够半小时内就能把所有关键函数的初步解读刷完。这份初步解读即使有偏差也能作为我后续深入分析的索引效率提升非常明显。还有一个很实际的原因是可控性。自己写脚本提示词是完全可控的我可以针对不同样本定制提示模板分析加壳逻辑用一套分析加密算法用另一套分析C虚函数用第三套。AI的输出格式也可以做严格约束比如要求它只返回JSON这样脚本解析起来非常稳定。插件很难给你这种可编程的灵活性。2.3 动手前先确认的软硬件条件在动手写脚本前先花几分钟确认环境能省掉后面一堆破事。IDA版本方面我建议用7.x以上版本因为从7.0开始IDAPython默认使用Python 3而且反编译接口和中间层的API都相对稳定。8.x也能用但部分接口的调用位置有调整我下面给的代码在7.x和8.x上都能跑不过如果你用的是旧版本可能需要小改。确认IDA内置的Python环境是否带requests库。IDA 7.x自带的Python比较干净不一定有requests。没有的话要么在你的系统Python里装好requests然后想办法让IDA的Python环境也用它要么干脆在脚本里用urllib发请求虽然写起来繁琐一点但零依赖省心。我自己是直接用urllib少安装一个依赖就少一个踩坑点。然后是API访问渠道。你至少需要一个网络可达的AI模型服务商业API或者本地模型服务都行只要能通过HTTP接口发送消息和接收回复就可以。这一点上我建议准备一个环境变量或配置文件来保存API地址和密钥别把密钥硬编码在脚本里脚本是可能发给别人看的密钥不能随手飞。3. 从零搭起你的AI副驾驶3.1 最小可用版本让AI读懂一个函数我写脚本有一个习惯先做一个最小可用版本确认整条链路通了再逐步加功能。你要做的第一件事就是在IDA里写一个脚本把当前光标所在的反编译函数伪代码抓出来。下面这段代码就是一个最基础的抓伪代码脚本import idaapi import ida_hexrays import idc ea idc.get_screen_ea() func idaapi.get_func(ea) if func is None: print(当前地址不在函数内) else: try: cf ida_hexrays.decompile(func.start_ea) pseudo_code str(cf) print(pseudo_code[:1000]) # 先打印一部分确认能抓到 except Exception as e: print(反编译失败:, e)如果没成功先检查两件事。第一你是否已经开启反编译功能比如按过F5让反编译器加载过第二当前函数是不是库函数或过于特殊的函数这类函数可能反编译失败。确认伪代码能抓出来之后下一步就是把这些文本发给AI。发请求用的是最基本的HTTP调用我用urllib写了一个通用函数import urllib.request import json def call_ai(prompt, api_key, base_url, model_name): headers { Authorization: fBearer {api_key}, Content-Type: application/json } payload { model: model_name, messages: [ {role: system, content: 你是一名资深的二进制逆向分析工程师擅长阅读IDA反编译伪代码。}, {role: user, content: prompt} ], temperature: 0.2 } req urllib.request.Request( base_url /chat/completions, datajson.dumps(payload).encode(utf-8), headersheaders ) with urllib.request.urlopen(req, timeout60) as resp: data json.loads(resp.read().decode(utf-8)) return data[choices][0][message][content]base_url和model_name这里留空你需要替换成你自己用的模型服务的实际接口地址和模型名。temperature我习惯设低一点做代码分析时我不希望模型太有创意稳定和准确优先。到这里你已经可以让AI给你解释当前函数了。把抓到的伪代码拼接在提示词后面发出去把返回的解释打印在输出窗口里。整个链路的雏形就出来了。3.2 让AI输出结构化重命名建议有了基础的链路下一步就是让AI不只给解释还要给出可直接应用的重命名建议。关键一步是让AI以固定格式返回结果我用的是JSON。这是我的一个提示词模板实测效果比较稳定你现在是一名资深逆向工程师。以下是IDA反编译得到的伪代码。 伪代码 请完成三件事 1. 用不超过五句话概括该函数功能。 2. 找出最可能代表该函数用途的名字格式为[建议名]。 3. 对伪代码中出现的 v\d 局部变量和可疑全局变量给出可读性更高的建议名。 只输出JSON不要输出任何解释性文字格式如下 { summary: ..., function_name: ..., renames: {v3: decrypted_data, v7: input_len} } 如果信息不足请在对应字段里写unknown。用JSON的好处是解析稳定。我见过不少人在提示词里让AI用自然语言回答结果就是AI的回复里夹带各种格式不固定的内容解析起来极其痛苦。强制JSON以后虽然偶尔会有非法JSON的情况但整体成功率高得多。拿到AI返回的JSON后解析和应用的代码如下import json import re def apply_ai_suggestions(cf, ai_text): try: parsed json.loads(ai_text) except Exception: print(AI返回内容不是合法JSON跳过) return # 1. 写注释 summary parsed.get(summary, unknown) cf.add_comment(cf.entry_ea, summary) # 2. 重命名函数 fname parsed.get(function_name, ) if fname and re.fullmatch(r[A-Za-z_][A-Za-z0-9_]{2,}, fname): idaapi.set_name(cf.entry_ea, fname, idaapi.SN_FORCE) # 3. 重命名局部变量 renames parsed.get(renames, {}) for lv in cf.lvars: if lv.name in renames: new renames[lv.name] if re.fullmatch(r[A-Za-z_][A-Za-z0-9_]{2,}, new): lv.name new cf.save() print(AI建议已应用)这里面有个细节cf.add_comment把解释写成了函数入口处的注释这样以后每次看到这个函数都能直接看到AI的解读。局部变量重命名是通过cf.lvars实现的先匹配变量名再赋值给它。这一步做完你再看反编译视图函数名、变量名、注释就都被刷新了。这里我必须提醒一下自动应用重命名本身是有风险的。AI的建议不是百分百正确所以我的脚本里做了一个半自动逻辑在真正应用之前先把建议打印出来我自己扫一眼确认靠谱才执行。你也可以在脚本里加一个input()交互确认这个后面在避坑章节里细说。3.3 批量扫描与全库注释单个函数的链路打通以后自然就想批量处理。思路很简单遍历函数列表跳过库函数和小函数对每个函数调用上面的流程把结果写进数据库。下面是一个批量处理的核心循环import idautils import ida_funcs MIN_FUNC_SIZE 40 # 伪代码少于多少行不处理 ea_list [] for func_ea in idautils.Functions(idc.get_first_seg(), idc.get_last_seg()): f idaapi.get_func(func_ea) if f.flags ida_funcs.FUNC_LIB: # 跳过库函数 continue # 粗略按函数字节数过滤 if f.size() 32: continue try: cf ida_hexrays.decompile(func_ea) except Exception: continue code str(cf) if len(code.splitlines()) MIN_FUNC_SIZE: continue ea_list.append(func_ea)筛选条件可以自己调。我的习惯是先跑一个预览模式就是把所有待处理函数的名字和伪代码行数打出来人工扫一遍确认没有把一堆无用的库函数也送进去。这一步值得做因为批量调用API会消耗额度也会花不少时间。批量处理的另外一个关键点是异步和队列。如果直接在IDA主线程里一个函数一个函数地跑你会发现界面的进度条一直转鼠标也卡着不动。我的做法是把任务拆成小块每处理一个函数就等待几秒钟给UI一点刷新空间。更激进的做法是放到单独的线程里但那样又要处理IDA的线程安全问题非必要不建议碰。批量处理完以后你手上就会收获一个初步解读版本的数据库每个关键函数都有注释和名字。这一步做完你的人工分析就可以从读函数变成验证AI的解读效率完全是两个量级。3.4 把交叉引用和段信息也喂给模型我发现给AI喂纯伪代码的效果虽然不错但如果能把上下文信息也传进去分析质量会有一个质的飞跃。什么叫上下文信息就是在伪代码之外把函数的关键属性也告诉AI。举个例子一个函数在.rdata段引用了一个很大的常量表AI如果看不到这个常量表它可能猜不到这个函数在做什么校验但如果把常量表的开头几十个字节和长度告诉它它很可能就会联想到这是一个查表解密函数。我实际用的一个提示词模板是这样的函数名称: sub_405420 所在段: .text 函数大小: 256 字节 是否被调用: 是且共被 5 个高层函数调用 引用的字符串: - Usage: %s file - invalid file format 引用的常量表地址: .rdata:0x4730, 长度为 256 字节 以下是伪代码 ...多出来的这些信息我通过IDA接口直接获取。交叉引用可以用idautils.CodeRefsTo拿到调用者数量段信息用idc.get_segm_name()。常量表内容直接读字节转成十六进制字符串放进去。AI看到这些线索后给出的结论通常比纯看伪代码靠谱得多。不过要注意上下文长度限制。伪代码本身就占了很多token再塞一堆字符串和常量表很容易把模型上下文撑爆。我的做法是只截取最关键的信息比如引用的字符串最多给8条常量表只给前64字节。信息不是越多越好给得太多反而会干扰模型判断也增加成本。4. 实战片段与提示词调优记录4.1 片段一混淆逻辑还原我实际遇到过一种很典型的混淆代码函数里塞了几十个无意义的分支和死代码真正的逻辑被埋得很深。人去看这种伪代码特别痛苦因为你得花大量精力去排除干扰项才能看到核心逻辑。丢给AI之后它给出的解读让我印象很深它直接把代码按有效逻辑和干扰逻辑分了两类。有效逻辑归纳出来就是先从一个固定表中取256字节然后用输入字节做索引交换两个位置的字节最后和另一个常量异或。这本质上是一个自定义的S盒变换AI给出的注释直接标注了疑似S盒初始化。这个案例说明了一个重要规律在混淆场景下AI的价值不是替你还原每一个字节的操作而是帮你跳过干扰项快速锁定有效逻辑。这种全局视角恰恰是人在海量伪代码里容易丧失的。调优提示词时如果我知道样本有混淆会在开头加一句该函数疑似包含混淆代码请先区分有效逻辑与干扰逻辑。加了这句话之后AI的输出结构会明显更清晰它会主动告诉你哪些代码可以忽略这比我手动剔干扰项要快得多。4.2 片段二CTF赛题快速定位关键校验CTF逆向的典型特点是函数量不大但你需要快速找到核心校验函数。传统玩法是跑起来看一下程序行为再猜关键函数我现在的玩法是直接把main函数的伪代码发给AI让它列出main里调用了哪些关键函数并标注每个函数的可疑程度。有一次分析模拟的题目main函数伪代码有将近两百行要是以前我得一段一段看到底。AI在十几秒内给出的结论是流程前半部分在解析输入格式后半部分调用了一个关键校验函数校验函数内部做了两次异或和一次数据比较。我按它指的路找到那个校验函数进去一看确实就是整个题目的唯一判断点。不过这里我必须强调AI不是万能的它定位的可疑函数有时候是错的。我记得另一道模拟题目里AI把一个字符串打印函数标记为高风险但我人工看下来那只是一段辅助提示代码真正逻辑在另一个看起来很普通的初始化函数里。这说明AI的判断要当作候选线索不能当作定论。4.3 提示词技巧会让效果差很多同样的模型同样的伪代码提示词写法不一样效果可以差出一大截。这里分享几个我实际试过有效的技巧。第一用角色设定确实有用。我在系统提示词里加了你是一名资深逆向工程师效果比不加明显好。模型会更倾向于用专业术语也更容易引用二进制分析中的常见模式。这不算什么玄学本质上是给模型一个合适的输出风格锚定。第二一次只让AI回答一个问题。有段时间我图省事一个提示词里既让它总结功能又让它找出所有可疑的缓冲区溢出点还让它给变量改名结果AI的回答开始顾此失彼summary写得笼统rename也丢三落四。后来拆分任务效果稳定多了。第三让AI先思考再输出但限定字数。你可以这样写请先自行推理但最终答案不要超过300字。这能保证AI给出经过推理的结论但又不会输出一大篇心灵鸡汤式的废话。尤其在识别算法的时候我自己觉得让AI先给两种假设再选一个的分析质量更好。第四明确要求信息不足时直接说不知道。很多人用AI吃过的亏是模型会在信息不足时空想一个答案。我加了这句约束以后AI在那拿不准的时候至少会坦白说出来我就可以去补充其他信息而不是对着一个虚构结论浪费时间。4.4 当模型开始胡扯时该怎么做AI给出的注释和重命名质量并不是恒定的。我踩过最深的坑是让AI批量处理一个加了VM保护的样本结果模型开始一本正经地胡说八道把很多幻觉信息写进了注释和函数名里相比之下我手动看过的函数还好一点那些直接接受AI建议的函数注释后来我复查时发现一大半都不太对甚至把方向带偏了。所以我给自己的脚本加了几条规则。第一条不自动应用所有建议只自动写入summary作为注释因为注释是给人看的有错也能看出来重命名则必须经过人工确认。第二条把AI给出的函数名建议和原始函数名同时显示只有我先删掉确认后才执行重命名。第三条对AI已经生成的注释如果后续人工分析结论和它不一致我会直接覆盖不让错误结论残留在数据库里。另一个应对胡扯的手段是让AI在返回结构里增加一个confidence字段数字越低越可疑。脚本可以根据置信度决定是否自动应用建议。比如confidence低于0.7的建议直接高亮标记但不应用这种半自动化策略让我省了不少事。5. 常见问题速查与避坑经验5.1 API调用异常与容错整个流程跑起来以后最常让我头疼的就是API调用问题。第一个是超时。传入的伪代码一大模型思考时间就会变长60秒超时有时候都不够。我的处理是分级超时先给30秒如果失败就重试一次重试时把超时拉长到90秒。如果还是失败就干脆跳过当前函数把它的地址记到一个日志文件里等下一轮再补。这样不会让整个批量任务中断在第一个超时上。第二个是限流。商业API的并发和速率限制很严批量分析时很容易触发限流返回429之类的错误。对策是加退避逻辑收到限流响应后sleep几秒再重试。我用的策略是简单指数退避第一次等5秒第二次等10秒第三次等20秒超过五次就放弃当前函数。虽然会拖慢速度但总好过整个任务中途崩溃。第三个是认证失败。这类问题通常是密钥过期或者接口地址变了。我建议把API地址、模型名、密钥都放在配置文件里不要写在脚本里。脚本里只留读配置的逻辑这样换密钥时不用动代码。5.2 IDA侧交互异常脚本在IDA里跑会遇到一些IDA特有的问题。最常见的是大量AI建议同时应用时IDA的重命名冲突。如果AI建议的名字和数据库已有的符号重名idaapi.set_name就会失败。所以应用名字前我会先用idaapi.get_name和idaapi.set_name扫一遍是否冲突有冲突就在建议名上加后缀比如decrypted_data_2而不是直接覆盖。另一个问题是UI卡死。批量处理时如果直接在主线程里跑循环IDA会变成白屏或转圈严重的时候还会让用户误以为崩溃。我的做法是每处理20个函数就主动让出一下UI线程具体可以用idaapi.qsleep或者直接time.sleep一小会让界面刷新。虽然会损失一些速度但至少你还能看得到进度。还有一个容易被忽视的坑局部变量重命名在IDA里是有作用域限制的。你不能简单地把一个局部变量名直接set到全局地址上必须通过cf.lvars来做。这里涉及IDA的中间层变量模型如果你的脚本对局部变量重命名不生效大概率是这一步没有处理好。5.3 模型选型的一点个人建议关于到底选什么模型我没有办法给你一个必选名单因为模型迭代太快了但我可以分享一点取舍逻辑。日常使用我会倾向选上下文窗口大、价格适中、函数级代码理解好的商业API。上下文窗口尤其重要因为一个大型函数的伪代码加上各种额外信息很容易超过两三千个token窗口小的模型会截断截断后AI的分析质量会明显下降。离线场景我用本地模型。本地模型的好处是数据不出机器适合处理一些敏感样本。但要明确一点本地小模型和商业大模型在代码理解能力上还是有不小差距尤其是在复杂混淆和跨函数推断的场景里。如果只是做基础的功能归纳和注释本地模型完全够用如果你想做深度的逻辑还原还是商业API更稳。关于成本批量分析一个几百KB的样本把所有主要函数都让AI过一遍大概会消耗几十万token折合成本不算高在可接受范围内。对于个人使用来说完全可以先小批量测试确认效果再加量。使用这套流程几个月下来我最大的感受是AI并没有让我变成一个更厉害的逆向工程师但它把我从大量重复、低价值的伪代码阅读里解放出来了。以前我一晚上顶多认真看完三五个函数现在我可以先让AI把全库刷一遍然后带着那份初步笔记去重点突破难题。这个转变跟当年从汇编逐行读变成F5看伪代码本质上是同一种效率革命。最后再分享一个小技巧AI生成的摘要和注释建议你用自己的话重新整理一遍再写入最终报告。AI的文字可以帮你快速理解但如果你直接照搬很容易被AI那种貌似逻辑通顺但细节经不起推敲的表述带偏。逆向这个活最后的准确性和判断力始终得靠自己。AI这个副驾驶再强方向盘还是得握在你手里。