[原创]Agentic IDA Pro - LLM 驱动的逆向分析专家-逆向工程-看雪安全社区

> 项目地址：<a href="elink@7f1K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6E0j5h3N6A6j5$3I4X3i4K6u0V1j5h3W2Q4x3V1k6S2k6$3g2F1N6r3W2U0i4K6u0V1K9h3c8S2i4K6u0V1M7s2u0G2">github.com/magiclf-ai/agentic-ida-pro</a> 
> 版本：IDA Pro 9.3 
> 核心理念：LLM 主导策略决策，工具执行具体动作，全流程可追溯、可验证、可审计

---

`Agentic IDA Pro` 核心思想是：

- LLM 主导策略
- 工具执行动作
- 任务板跟踪状态
- 证据链驱动结论
- 前后快照做验收

---

## 二、为什么是 Agent，而不是更多脚本

逆向分析的典型路径是：

```
入口定位 -> 调用链展开 -> 函数语义分析 -> 数据结构恢复 -> 类型传播 -> 验证
```

这个路径的关键难点是：**它不是固定流程图，而是"观察-决策-执行-再观察"的循环过程**。

脚本擅长执行固定步骤，但不擅长在证据变化时动态改计划。而 LLM 正好擅长"弱结构决策"——也就是在不完全信息下做下一步规划。

所以我们把角色拆开：

| 层级 | 负责方 | 职责 |
|------|--------|------|
| **决策层** | LLM | 观察证据、规划下一步、选择工具 |
| **执行层** | Tool | 做确定性动作（搜索、反编译、创建结构体） |
| **状态层** | Task Board / Knowledge | 沉淀结论、管理进度 |
| **审计层** | Observability / Acceptance | 记录日志、验收结果 |

这就是 Agentic 化真正的价值：**不是"替代分析师"，而是把分析师的方法论做成能复盘、能审计、能扩展的系统**。

---

## 三、总体架构：主控 Agent + 子 Agent + IDA 服务

先看主路径：

```
用户请求
  ↓
ReverseExpertAgentCore（主策略循环）
  ↓
Tool Layer（search/xref/decompile/create_structure/...）
  ↓
IDAClient（HTTP 通信层）
  ↓
ida_service.daemon（IDA 进程内串行执行）
  ↓
IDB 变更 + 反编译结果
```

再看横向能力：

| 组件 | 作用 |
|------|------|
| **任务与知识** | TaskBoard + WorkingKnowledge，管理进度与沉淀认知 |
| **子任务并行** | spawn_subagent 异步派生，结果自动回流 |
| **上下文压缩** | prune_context_messages + compress_context_8block |
| **运行验收** | 备份、快照、结构体 diff、失败判定 |
| **可观测性** | 会话、turn、tool、事件入库 SQLite，可视化回放 |

从工程角度看，这个架构有两个关键取舍：

1. Python 代码保持"薄控制层"，避免把业务逻辑硬编码进 if/else
2. 把策略约束写进 prompt + tool docstring，让 Agent 行为可进化

---

## 四、多 Agent 分工：不是"多模型炫技"，而是角色隔离

很多多 Agent 系统失败，原因是"每个 Agent 都在做所有事"。我们反过来做：**每个 Agent 只做自己最擅长、最可验证的一段**。

### 1）主 Agent：ReverseExpertAgentCore

**职责：**

- 维护主循环（观察 -> 规划 -> 调工具 -> 更新状态）
- 管理任务板和知识库
- 决定是否派生子 Agent
- 最终调用 `submit_output` 完成收敛

**约束：**

- 关键任务未关闭，禁止 `submit_output`
- 有运行中 subagent，禁止 `submit_output`
- 每轮结论必须引用工具证据

### 2）DocumentAgent

检索本地 artifacts 中的可复用模板与历史片段，为主 Agent 提供"路径 + 片段 + 使用建议"。

### 3）Evidence Reviewer

审核证据链是否闭环，识别"字段命名看起来对了但证据不足"的风险点，给出最小补证动作。

### 4）Reverse Planner

给主 Agent 输出"下一轮唯一关键动作"，把动作描述成可执行、可验证、可回退的形式。

### 5）Context Pruner

对历史消息做高密度压缩，保留可执行记忆，删除噪音上下文。

### 6）IDAPython Coder / Executor

- Coder 负责写出最小修改脚本
- Executor 负责"执行-报错-修复-再执行"的闭环

这两者共同构成了我们最有特色的一段：**CodeAct 式执行环**。

---

## 五、实战演示：一次完整的结构体恢复流程

下面是一个真实的结构体恢复任务执行日志。我们将逐轮剖析 Agent 的决策过程、工具调用和验证闭环。

### 任务目标

> 分析关键函数并恢复结构体定义，给出证据链

这是一个典型的逆向分析需求：不仅要找出程序的核心逻辑，还要把散落在代码中的数据结构还原出来，并且每个结论都要有迹可循。

---

### 第一轮：任务规划与入口定位

Agent 首先创建任务列表，把大目标拆成可追踪的子任务：

```
[Tool Calls]
- create_task: {
    "tasks": [
      {"title": "定位关键函数入口/热点函数", "priority": "high"},
      {"title": "采集关键函数伪代码与符号使用证据", "priority": "high"},
      {"title": "创建/迭代结构体定义并应用类型验证", "priority": "high"},
      {"title": "形成证据链报告", "priority": "normal"}
    ]
  }
```

**为什么要先创建任务板？**

在长时间的分析过程中，LLM 容易"迷失方向"——忘记自己已经做了什么、还需要做什么。任务板把这些状态外化，每完成一个子任务就标记为 done，形成清晰的可审计路径。

任务创建成功后，Agent 开始执行第一个任务：定位入口函数。

```
[Tool Calls]
- search: {
    "pattern": "(?i)\\b(main|wmain|winmain|dllmain|start|entry)\\b",
    "target_type": "symbol"
  }
```

**Tool 返回：**

```
# Search Results
- total_count: 2

## Items
1. [symbol/function] main @ 0x1140
2. [symbol/function] start @ 0x14c0
```

找到了两个关键符号：`main` 和 `start`。接下来需要确认它们的调用关系。

```
[Tool Calls]
- xref: {"target": "main", "target_type": "symbol", "direction": "to"}
```

**Tool 返回：**

```
# Xref Results
- total_count: 5

## Items
1. ea=0x3fd8 -> target=0x4060 [__libc_start_main]
2. start+0x1f -> target=0x4060 [__libc_start_main]
3. start+0x18 -> target=0x1140 [main]     ← 关键证据
4. start+0x1f -> target=0x3fd8 [__libc_start_main_ptr]
5. ea=0x420 -> target=0x56e [aLibcStartMain]
```

**证据解读：**

`xref` 的结果清晰地展示了调用链：`start` 函数在偏移 `+0x18` 处调用了 `main`（地址 `0x1140`）。这是标准的 C 程序启动流程：`start` 作为真正的程序入口，通过 `__libc_start_main` 最终调用用户定义的 `main`。

Agent 立即更新任务状态，记录这一关键证据：

```
[Tool Calls]
- set_task_status: {
    "task_ref": "t001",
    "status": "in_progress",
    "note": "已定位入口符号: main@0x1140, start@0x14C0；xref 证据: start+0x18 -> main"
  }
```

---

### 第二轮：关键函数反编译与证据采集

入口定位完成，接下来深入分析 `main` 函数。

```
[Tool Calls]
- decompile_function: {"function_name": "main"}
```

**Tool 返回的伪代码（节选）：**

```c
__int64 __fastcall main(int a1, char **a2, char **a3)
{
  __int64 ptr; // [rsp+8h] [rbp-50h]
  
  ptr = (__int64)calloc(1u, 0x28u);           // 分配 0x28 字节
  if ( ptr )
  {
    *(_DWORD *)(ptr + 8) = 256;               // offset +8 写入 256
    *(_QWORD *)ptr = 0x5244485F544E4F43LL;    // offset +0 写入 magic
    *(_QWORD *)(ptr + 32) = sub_15B0;         // offset +32 写入函数指针
    // ...
    v6 = calloc(1u, 0x38u);                   // 分配 0x38 字节
    // ...
    v10 = calloc(v7, 0x38u);                  // 分配数组，元素大小 0x38
  }
}
```

**关键发现：**

1. `ptr = calloc(1, 0x28)` —— 分配 40 字节，很可能是某个结构体
2. `*(ptr + 8) = 256` —— offset 8 可能是版本号字段
3. `*ptr = 0x5244485F544E4F43` —— offset 0 写入一个 8 字节常量，可能是 magic
4. `*(ptr + 32) = sub_15B0` —— offset 32 写入函数指针
5. 后续还有 `calloc(1, 0x38)` 和 `calloc(v7, 0x38)` —— 说明还有另外两种大小为 56 字节的结构体

但仅凭 `main` 的代码还不够，Agent 决定同时反编译 `main` 中调用的子函数，获取更完整的字段使用证据：

```
[Tool Calls]
- decompile_function: {"function_name": "sub_1780"}
- decompile_function: {"function_name": "sub_15B0"}
- decompile_function: {"function_name": "sub_15F0"}
- decompile_function: {"function_name": "sub_16C0"}
```

**sub_1780 的反编译结果（应用类型前）：**

```c
__int64 __fastcall sub_1780(__int64 a1, int a2)
{
  __int64 v2;
  
  if ( !a1 )
    return v13 - __readfsqword(0x28u);
  v2 = *(_QWORD *)(a1 + 16);                  // offset +16 作为链表头
  if ( !v2 )
    goto LABEL_13;
  while ( *(_DWORD *)v2 != a2 )               // 比较 offset 0
  {
    v2 = *(_QWORD *)(v2 + 32);                // offset +32 作为 next 指针
    if ( !v2 )
      goto LABEL_13;
  }
  v4 = (*(__int64 (**)(void))(a1 + 32))(v2, 16, 0);
  // ... 更多字段访问 ...
}
```

**证据解读：**

- `a1 + 16` 被解引用作为链表头，说明 offset 16 是 `head` 指针
- `v2 + 32` 是 next 指针，说明 node 结构体的 offset 32 是 `next`
- `a1 + 32` 被当作函数指针调用，验证了 `main` 中 `*(ptr + 32) = sub_15B0` 的推测

**sub_15F0 的反编译结果（应用类型前）：**

```c
unsigned __int64 __fastcall sub_15F0(__int64 a1)
{
  __int64 v1;
  
  v1 = *(_QWORD *)(a1 + 16);                  // offset +16 作为某个指针
  if ( v1 )
  {
    v4 = *(unsigned int *)(a1 + 24);          // offset +24 是计数
    if ( (_DWORD)v4 )
    {
      v5 = *(_QWORD *)(a1 + 8) & 0xFFFLL;     // offset +8 被读取
      v6 = v1 + 56 * v4;
      do
      {
        *(_DWORD *)(v1 + 52) |= 1u;           // offset +52 被置位
        *(_QWORD *)(v1 + 40) += v5;           // offset +40 被累加
        v1 += 56;                             // 步长 56，说明是数组
      }
      while ( v1 != v6 );
    }
  }
}
```

**证据解读：**

- `a1 + 16` 指向的内存以 56 字节为步长遍历，且每个元素有 offset 52 和 40 的访问
- 这与 `main` 中 `calloc(v7, 0x38)`（0x38 = 56）对应，说明 `v1` 指向的是 `field_desc` 数组

Agent 更新任务状态，记录已采集的证据：

```
[Tool Calls]
- set_task_status: {
    "task_ref": "t002",
    "status": "in_progress",
    "note": "已反编译 main@0x1140 获得容器与节点构建逻辑；已提取符号使用：calloc(0x28) 容器、calloc(0x38) 节点、calloc(v7,0x38) 字段数组"
  }
```

---

### 第三轮：结构体建模与创建

基于前面收集的证据，Agent 开始构建结构体定义。

**container 结构体推导：**

| 偏移 | 大小 | 证据来源 | 语义推断 |
|------|------|----------|----------|
| +0x00 | 8 | `*ptr = 0x5244485F544E4F43` | magic 字段 |
| +0x08 | 4 | `*(ptr + 8) = 256` | version |
| +0x0C | 4 | `++*(ptr + 12)` | node_count |
| +0x10 | 8 | `*(ptr + 16)` 作为链表头 | head 指针 |
| +0x18 | 8 | `*(ptr + 24)` 指向尾节点 | tail 指针 |
| +0x20 | 8 | `*(ptr + 32) = sub_15B0` | hash 函数指针 |

总大小：0x28（40 字节），与 `calloc(1, 0x28)` 吻合。

**node 结构体推导：**

| 偏移 | 大小 | 证据来源 | 语义推断 |
|------|------|----------|----------|
| +0x00 | 4 | `*v6 = v33` | id |
| +0x04 | 4 | `v6[1] = v4` | flags |
| +0x08 | 8 | `*(v8 + 8) = time(0)` | ts（时间戳）|
| +0x10 | 8 | `*(v8 + 16) = v11` | fields 指针 |
| +0x18 | 4 | `v8[6] = v7` | field_count |
| +0x1C | 4 | 未观察到访问 | unk1C（占位）|
| +0x20 | 8 | 遍历 `v2 + 32` | next 指针 |
| +0x28 | 8 | 双向链表逻辑 | prev 指针 |
| +0x30 | 8 | `*(v8 + 48) = v20` | process 函数指针 |

总大小：0x38（56 字节），与 `calloc(1, 0x38)` 吻合。

**field_desc 结构体推导：**

| 偏移 | 大小 | 证据来源 | 语义推断 |
|------|------|----------|----------|
| +0x00 | 32 | `snprintf(..., 32, ...)` 写入 name | name[32] |
| +0x20 | 4 | `*(v14 - 6) = v12 & 3` | kind |
| +0x24 | 4 | 未观察到访问 | unk24 |
| +0x28 | 8 | `*(v14 - 2) = 8 * v12` | value |
| +0x30 | 4 | `*(v14 - 1) = 4 << (v12 % 3)` | size |
| +0x34 | 4 | `sub_15F0` 中置位操作 | flags |

Agent 使用 `create_structure` 创建这三个结构体：

```
[Tool Calls]
- create_structure: {"name": "field_desc", "c_decl": "struct field_desc { char name[32]; unsigned int kind; unsigned int unk24; unsigned __int64 value; unsigned int size; unsigned int flags; };"}
- create_structure: {"name": "node", "c_decl": "struct node { unsigned int id; unsigned int flags; unsigned __int64 ts; struct field_desc *fields; unsigned int field_count; struct node *next; struct node *prev; void (*process)(struct node*); };"}
- create_structure: {"name": "container", "c_decl": "struct container { unsigned __int64 magic; unsigned int version; unsigned int node_count; struct node *head; struct node *tail; __int64 (*hash)(void *buf, __int64 len, __int64 unused); };"}
```

**Tool 返回（确认结构体已落地）：**

```
struct field_desc { ... }; // size=0x38 (56), mutation_effective=true
struct node { ... }; // size=0x38 (56), mutation_effective=true
struct container { ... }; // size=0x28 (40), mutation_effective=true
```

`mutation_effective=true` 表示结构体已成功写入 IDA 数据库。这是关键一步：**结构体不再是"纸面分析"，而是真正落地到了 IDB 中**。

---

### 第四轮：类型应用与验证闭环

结构体创建完成，但这只是开始。接下来必须验证：应用这些类型后，反编译代码是否真的变得更易读了？

Agent 在 `main` 函数中应用类型：

```
[Tool Calls]
- set_identifier_type: {
    "function_name": "main",
    "operations": [
      {"kind": "local", "name": "ptr", "c_type": "struct container *"},
      {"kind": "local", "name": "v8", "c_type": "struct node *"}
    ],
    "redecompile": true
  }
```

**Tool 返回（重反编译后的 main 函数）：**

```c
__int64 __fastcall main(int a1, char **a2, char **a3)
{
  struct container *ptr;
  
  ptr = (struct container *)calloc(1u, 0x28u);
  if ( ptr )
  {
    ptr->version = 256;
    ptr->magic = 0x5244485F544E4F43LL;
    ptr->hash = (__int64 (*)(void *, __int64, __int64))sub_15B0;
    // ...
    v8->fields = v11;
    v8->process = v20;
    if ( ptr->head )
    {
      tail = ptr->tail;
      ptr->tail = v8;
      v8->prev = tail;
      tail->next = v8;
    }
    // ...
    head = ptr->head;
    for ( i = head; i; i = i->next )
    {
      process = i->process;
      if ( process )
        process(i);
    }
  }
}
```

**验证效果：**

- `ptr->version = 256` 替代了 `*(_DWORD *)(ptr + 8) = 256`
- `ptr->magic` 替代了直接赋值常量
- `v8->fields`、`v8->process`、`v8->prev`、`v8->next` 全部变成了有意义的字段名
- 链表遍历 `i = i->next` 清晰可读
- 函数调用 `process(i)` 不再是一堆强制类型转换

同样的验证在子函数中进行：

**重反编译后的 sub_1780：**

```c
__int64 __fastcall sub_1780(struct container *a1, unsigned int a2)
{
  struct node *head;
  
  head = a1->head;
  while ( head->id != a2 )
  {
    head = head->next;
    if ( !head )
      goto LABEL_13;
  }
  v4 = a1->hash(head, 16, 0);
  field_count = head->field_count;
  if ( (_DWORD)field_count )
  {
    fields = head->fields;
    while ( 1 )
    {
      field_count = fields->size + field_count;
      if ( fields->value > 0x10000 || (fields->flags & 4) != 0 )
        break;
      if ( ++fields == v8 )
        return;
    }
  }
}
```

**重反编译后的 sub_15F0：**

```c
unsigned __int64 __fastcall sub_15F0(struct node *a1)
{
  struct field_desc *fields;
  
  fields = a1->fields;
  if ( fields )
  {
    field_count = a1->field_count;
    if ( (_DWORD)field_count )
    {
      v5 = a1->ts & 0xFFF;
      v6 = &fields[field_count];
      do
      {
        fields->flags |= 1u;
        fields->value += v5;
        ++fields;
      }
      while ( fields != v6 );
    }
  }
}
```

**重反编译后的 sub_16C0：**

```c
unsigned __int64 __fastcall sub_16C0(struct node *a1)
{
  struct field_desc *fields;
  
  fields = a1->fields;
  if ( fields )
  {
    field_count = a1->field_count;
    if ( (_DWORD)field_count )
    {
      v5 = &fields[field_count];
      do
      {
        fields->flags |= 2u;
        if ( fields->kind == 1 )
          fields->size *= 2;
        ++fields;
      }
      while ( v5 != fields );
    }
  }
}
```

**闭环验证总结：**

| 函数 | 应用前 | 应用后 | 改进 |
|------|--------|--------|------|
| main | `*(_DWORD *)(ptr + 8) = 256` | `ptr->version = 256` | 字段语义清晰 |
| main | `v2 = *(_QWORD *)(a1 + 16)` | `head = a1->head` | 链表操作可读 |
| sub_1780 | `*(_QWORD *)(a1 + 32))(v2, 16, 0)` | `a1->hash(head, 16, 0)` | 函数指针调用明确 |
| sub_15F0 | `*(_DWORD *)(v1 + 52) |= 1` | `fields->flags |= 1` | 位操作语义清晰 |
| sub_16C0 | `v1[8] == 1` | `fields->kind == 1` | 条件判断可读 |

Agent 更新任务状态，标记结构体恢复任务完成：

```
[Tool Calls]
- set_task_status: {
    "task_ref": "t003",
    "status": "done",
    "note": "结构体已创建并通过类型应用验证闭环：create_structure 确认大小；set_identifier_type 后伪代码字段访问全部替换为有名字段"
  }
```

---

### 第五轮：知识沉淀与任务闭环

所有子任务完成后，Agent 将关键发现沉淀到知识区：

```
[Tool Calls]
- knowledge_write: {
    "confirmed_facts": "main 使用 calloc(1,0x28) 分配容器对象...",
    "evidence": "search: main@0x1140; xref: start+0x18 -> main; decompile main...",
    "hypotheses": "container::hash 的第三参数目前固定为 0，可能是保留参数",
    "open_questions": "field_desc::unk24 未见读写证据，需在其它函数中找交叉引用",
    "do_not_repeat": "不在无偏移访问证据时猜测字段含义"
  }
```

这种知识沉淀机制使得分析过程可持续：如果后续发现新的证据，可以回到知识区更新假设；如果另一个子 Agent 在别处发现了 `unk24` 的访问，可以补充到这里。

最终的任务板状态：

```
## Task Status (Current)
- summary: total=4, active=0, done=4, blocked=0

- [x] t001 (high) 定位关键函数入口/热点函数 [status=done]
- [x] t002 (high) 采集关键函数伪代码与符号使用证据 [status=done]
- [x] t003 (high) 创建/迭代结构体定义并应用类型验证 [status=done]
- [x] t004 (normal) 形成证据链报告 [status=done]
```

所有任务都已闭环，Agent 提交最终输出：

```
[Tool Calls]
- submit_output: {
    "summary": "已完成关键函数分析并恢复 3 个核心结构体（container/node/field_desc）",
    "key_findings": "入口: main@0x1140; container 大小 0x28; node 大小 0x38; field_desc 大小 0x38",
    "artifacts": "IDA Structures: container/node/field_desc; 类型应用验证: main/sub_1780/sub_15F0/sub_16C0"
  }
```

---

## 六、Tool Call 逻辑：为什么强调 docstring 而不是 JSON Schema 堆叠

项目里 tool 调用遵循几条硬规则：

1. **`bind_tools` + docstring 是参数语义基线**
2. **参数要显式且最小，避免盲调**
3. **Tool 返回 `ERROR:` 时先做最小修复再重试**
4. **有依赖关系的工具必须分轮调用**
5. **每轮结论必须引用工具证据文本**

从实现上看，我们采用了"动态绑定工具集"：

- 主循环动态注入运行时工具（任务板、知识库、上下文压缩、submit）
- 子循环使用子 Agent 对应工具集
- 工具执行支持受控并发（有并发上限和错误收集）

这套设计的优势是：**策略灵活，但工具边界清晰**。

---

## 七、IDAPython Agent 的 CodeAct 设计：核心差异化

很多系统把"执行 IDAPython"当成一个黑盒工具：脚本失败了就失败了。我们做的是"脚本失败也能自修复"的可循环执行器。

### 1）入口：先执行，再决定是否进入修复环

`execute_idapython` 的路径大致是：

- 先跑一次脚本
- 如果成功，直接返回
- 如果失败，进入 IDAPython repair 子循环

### 2）修复环：观察错误 -> 最小修改 -> 提交执行 -> 再观察

系统会自动生成子任务板，例如：

- 已执行初始脚本并收集错误
- 待最小修改并提交
- 若知识不足则检索 KB（`search/read_file`）
- 成功后退出

这正是 CodeAct 思路在工程里的落地：

- 行动是"可执行代码"
- 观察是"运行输出和报错"
- 下一步动作由上一轮执行结果驱动

### 3）安全与边界：防破坏优先

我们明确阻断了破坏性结构操作，例如 `idc.del_struc`。理由很简单：一旦删错结构体，证据链和验收基线都会被污染。

### 4）IDA 9.3 兼容策略

我们在提示词和执行器里都写了"高风险 API 规避策略"：

- 避免盲用兼容性差的接口
- 优先 `idc/idautils/ida_hexrays` 等稳定模块
- 每次修复只改报错相关行，拒绝大改

这套机制让"会写脚本"升级成"可控地修脚本并完成任务"。

---

## 八、任务板与知识库：让 Agent 不是"边跑边忘"

我们把任务管理做成了第一等公民，而不是日志附属品。

**任务板支持：**

- `create_task`（单条/批量）
- `set_task_status`（todo/in_progress/blocked/done/cancelled）
- `edit_task`
- `get_task_board`

**知识库支持：**

- `confirmed_facts` —— 已验证的事实
- `hypotheses` —— 待验证的假设
- `open_questions` —— 尚未解答的问题
- `evidence` —— 证据来源
- `next_actions` —— 下一步建议
- `do_not_repeat` —— 避免重复踩坑

为什么这很关键？因为它把"模型短期上下文"转换成"可持续记忆"。尤其在长链路逆向任务里，没有这层结构化记忆，系统几乎一定会重复劳动。

---

## 九、上下文压缩：长任务场景里必须有"记忆管理"

长周期分析常见问题是上下文污染：历史消息越多，模型越容易掉焦点。我们设计了两层机制：

1. **`prune_context_messages`**：按 Message ID 定点折叠
2. **`compress_context_8block`**：触发 8-block 蒸馏快照

蒸馏不是"摘要文学"，而是保留可执行记忆：

- 当前目标
- 关键证据
- 任务状态
- 禁止重复动作
- 下一步建议

这让系统可以在长会话中保持"方向稳定 + 成本可控"。

---

## 十、可观测性与验收
### 1）可观测性

所有会话进入 SQLite，包含：

- `sessions` —— 会话级别元数据
- `turns` —— 轮次级别信息
- `messages` —— 完整消息链
- `turn_tools` —— 工具调用记录
- `session_events` —— 事件日志

并配有前端时间线，可回看"某一轮为什么调用了这个工具、失败点是什么、后续如何修复"。

### 2）验收

`run_reverse_expert_agent.py` 在执行期自动完成：

- IDB 备份
- before/after 结构体快照
- struct diff
- acceptance summary（md/json）

而且定义了明确失败条件：

- 无 tool call
- 无有效 mutation
- before/after 无差异
- 运行异常中断

这意味着：**系统不是"跑完就算成功"，而是"满足质量门槛才算成功"**。

---

## 十一、关键设计解析

### 1. 为什么坚持"类型应用后必须重反编译验证"

很多自动化工具止步于"输出结构体定义"，但 Agentic IDA Pro 强制要求验证闭环。这是因为：

- **模型可能猜错**：LLM 根据偏移推断的字段语义，可能与实际不符。只有看到 `ptr->version = 256` 这样的代码，才能确认 offset 8 真的是版本号。
- **结构体定义可能不完整**：如果漏掉了某个字段，后续访问会出现错位。重反编译能立即暴露这种问题。
- **可读性是硬指标**：结构体恢复的目标是让代码更易读。如果应用类型后代码仍然满屏强制类型转换，说明恢复工作还没到位。

### 2. 为什么用"任务板"管理状态

长链任务中，LLM 容易"遗忘"之前做过什么。任务板的价值在于：

- **外化记忆**：不依赖 LLM 的上下文记忆，而是把状态写在持久化的任务板里
- **可审计**：每个任务的完成都有明确的证据引用
- **阻断提交**：如果还有未完成的任务，`submit_output` 会被拒绝，防止"半成品"输出

### 3. 为什么需要"知识区"

与任务板不同，知识区沉淀的是**跨任务的长期认知**。这使得多个子 Agent 可以协作分析：一个 Agent 发现了线索，写入知识区；另一个 Agent 在别处找到了答案，回来补充。

---

## 十二、与学术/行业思路的关系：借鉴与工程化

从研究脉络看，我们受到两类工作启发：

1. **ReAct**：交错的推理与行动
2. **CodeAct**：把可执行代码作为统一行动空间

但项目不是直接照搬论文，而是做了工程化改造：

- 将"动作空间"映射为可控工具集（含逆向专用工具）
- 用任务板和知识区约束长链路决策
- 用子 Agent 做角色隔离，降低上下文污染
- 用验收机制保证"可交付"的底线

简单说：**论文解决"能不能做"，工程系统解决"能不能长期稳定地做"**。

---

## 十三、风险控制与局限

### 风险控制

| 风险 | 对策 |
|------|------|
| 模型幻觉 | 每步操作必须有工具证据，不能只凭"我觉得" |
| 破坏性操作 | 显式阻断删除结构体等高危 API |
| 失败不可追溯 | 所有操作写入 SQLite，支持轮级回放 |
| 伪成功 | 必须有实际变更（结构体 diff）才算完成 |
| 无限循环 | 最大迭代次数 + 子任务超时机制 |

### 当前局限

- 仅支持 IDA Pro 9.3
- 当前优化重点是结构体恢复，不代表覆盖所有逆向场景
- 字段命名质量取决于证据密度

### 路线图

1. 增加结构体恢复质量的自动化评测
2. 扩展更多逆向技能（字符串解密、协议字段恢复、语义级的代码分析）
3. 更细粒度的变更审计（字段变更原因链）
4. RAG 增强逆向workflow, 和 IDAPython 脚本开发

---

## 十四、如何快速上手

### 1）环境要求

- IDA Pro 9.3
- Python 3.10+
- OpenAI API Key（或其他兼容 OpenAI 格式的端点）

### 2）配置模型环境

```bash
export OPENAI_API_KEY='your-api-key'
export OPENAI_BASE_URL='http://your-llm-endpoint/v1'
export OPENAI_MODEL='gpt-5.2'
```

### 3）启动 IDA Service（Windows）

```bat
.\src\scripts\run_windows_bridge.bat
```

### 4）启动 Agent（WSL/Linux）

```bash
PYTHONPATH=src python src/scripts/run_reverse_expert_agent.py \
  --ida-url http://127.0.0.1:5000 \
  --request "分析关键函数并恢复结构体定义，给出证据链" \
  --max-iterations 40
```

### 5）运行前检查清单

- [ ] LLM 端点可达
- [ ] IDA 服务健康检查通过（`/health`、`/db/info`）
- [ ] IDB 文件路径正确
- [ ] 日志目录可写

---

## 十五、最后：我们更关心"可信工作流"

在逆向工程这类高复杂任务里，最危险的不是模型答错，而是模型"看起来答对了"，但你没有验证手段。

`Agentic IDA Pro` 的方向很明确：

- 把每一步变成可追溯动作
- 把每个结论绑定到证据
- 把每次运行纳入验收体系

这样做的结果，不是让分析师消失，而是让分析师从"手工重复劳动"转向"高价值判断与决策"。

如果你也在做 Agent 化逆向平台，欢迎一起讨论：如何把"模型能力"真正沉淀成"工程能力"。

抛砖引玉，在这个 AI 时代，希望找些同路人一起探索 !

![图片描述](upload/attach/202602/805353_MKRGECJAUU3SAW9.webp)

---

## 参考资料

1. ReAct: Synergistic Reasoning and Acting in Language Models 
 607K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6S2M7Y4S2A6N6W2)9J5k6h3!0J5k6#2)9J5c8X3q4T1M7#2)9J5c8U0t1J5x3e0m8Q4x3X3f1H3x3K6j5J5z5b7`.`.

2. Executable Code Actions Elicit Better LLM Agents (CodeAct, ICML 2024) 
 46dK9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6S2M7Y4S2A6N6W2)9J5k6h3!0J5k6#2)9J5c8X3q4T1M7#2)9J5c8U0t1@1x3o6u0Q4x3X3f1H3x3e0l9K6x3l9`.`.

3. CodeAct 官方实现 
 2d4K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6^5K9h3&6Y4P5h3q4G2N6%4N6Q4x3V1k6U0L8$3c8W2i4K6u0V1j5h3y4@1

4. Hex-Rays IDA 9.3 Release Notes 
 4afK9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6V1L8$3y4K6i4K6u0W2K9r3g2^5i4K6u0V1M7X3q4&6M7#2)9J5k6h3y4G2L8g2)9J5c8Y4u0W2L8r3g2S2M7$3g2Q4x3X3c8F1L8%4c8W2M7#2)9J5c8U0W2Q4y4h3j5K6

5. Hex-Rays IDAPython Developer Guide 
 92aK9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6V1L8$3y4K6i4K6u0W2K9r3g2^5i4K6u0V1M7X3q4&6M7#2)9J5k6h3y4G2L8g2)9J5c8X3c8W2N6X3g2D9L8%4m8W2M7W2)9J5k6r3N6#2K9h3c8W2i4K6u0r3K9h3c8S2M7s2W2@1K9r3!0F1

6. LangChain tool calling / bind_tools 
 285K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6V1L8$3y4K6i4K6u0W2L8r3q4F1k6$3y4Z5j5h3W2F1i4K6u0W2j5$3!0E0i4K6u0r3L8%4y4K6i4K6u0r3M7s2W2@1K9r3!0F1i4K6u0r3L8r3q4F1k6$3y4Z5j5h3W2F1i4K6u0r3N6r3!0G2L8s2x3`.

7. OWASP Top 10 for LLM Applications 
 63cK9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6G2N6$3q4K6M7q4)9J5k6h3!0J5k6#2)9J5c8Y4N6%4N6#2)9J5k6s2m8J5L8$3A6W2j5%4c8Q4x3X3c8@1L8%4m8Q4x3X3b7I4x3q4)9J5k6r3k6G2M7W2)9J5k6r3I4S2M7X3N6W2i4K6u0V1L8r3q4F1k6%4g2S2k6$3g2Q4x3X3c8E0L8$3c8W2L8q4)9J5k6r3q4H3M7r3I4A6j5$3q4@1K9h3!0F1M7#2)9J5c8R3`.`.

冰与火的战歌：Windows内核攻防实战高级班！从零到实战，融合AI与Windows内核攻防全技术栈，打造具备自动化能力的内核开发高手。

最后于 2026-3-6 16:34 被xxxxxxx_798269编辑，原因：

#调试逆向 #系统底层 #问题讨论 #其他内容

最新回复 (10)
xxxxxxx_798269 雪币： 1014 活跃值： (192) 能力值： ( LV2，RANK：10 ) 在线值：发帖 3 回帖 17 粉丝 6 关注私信	xxxxxxx_798269 2 楼运行前检查清单后面的内容好像被截断了 2026-3-6 16:35 0
zhangtheo 雪币： 257 活跃值： (1759) 能力值： ( LV2，RANK：10 ) 在线值：发帖 0 回帖 12 粉丝 0 关注私信	zhangtheo 3 楼很厉害啊，晚上回去试一下 2026-3-6 16:46 0
RRRRoma 雪币： 4 活跃值： (80) 能力值： ( LV2，RANK：10 ) 在线值：发帖 0 回帖 8 粉丝 0 关注私信	RRRRoma 4 楼能分享下配置文件吗 2026-3-6 21:57 0
xxxxxxx_798269 雪币： 1014 活跃值： (192) 能力值： ( LV2，RANK：10 ) 在线值：发帖 3 回帖 17 粉丝 6 关注私信	xxxxxxx_798269 5 楼 RRRRoma 能分享下配置文件吗请问下什么配置文件 2026-3-7 08:05 0
huangjw 雪币： 6750 活跃值： (11967) 能力值： ( LV2，RANK：10 ) 在线值：发帖 0 回帖 515 粉丝 2 关注私信	huangjw 6 楼你是真牛逼 2026-3-7 10:14 0
暗香沉浮雪币： 379 活跃值： (2672) 能力值： ( LV8，RANK：140 ) 在线值：发帖 19 回帖 90 粉丝 26 关注私信	暗香沉浮 2 7 楼挺好 2026-3-7 11:31 0
fessxfeaf 雪币： 33 能力值： ( LV1，RANK：0 ) 在线值：发帖 0 回帖 4 粉丝 0 关注私信	fessxfeaf 8 楼厉害 2026-3-8 10:44 0
RRRRoma 雪币： 4 活跃值： (80) 能力值： ( LV2，RANK：10 ) 在线值：发帖 0 回帖 8 粉丝 0 关注私信	RRRRoma 9 楼 xxxxxxx_798269 请问下什么配置文件就是工作流啊或者skill啊 2026-3-11 21:11 0
海带雪币： 427 活跃值： (2150) 能力值： ( LV2，RANK：10 ) 在线值：发帖 1 回帖 83 粉丝 11 关注私信	海带 10 楼吊！ 2026-5-27 16:15 0
syc 雪币： 197 活跃值： (1018) 能力值： ( LV2，RANK：10 ) 在线值：发帖 0 回帖 10 粉丝 0 关注私信	syc 11 楼学习了 2026-7-15 19:03 0
	游客登录 \| 注册方可回帖回帖表情雪币赚取及消费高级回复