MCP（Model Context Protocol）是当下 AI 工具链的热门话题。当 unidbg 社区引入 MCP 功能后，不少人觉得这是个好方向——让 AI 直接操作调试器，下断点、读内存、单步执行，听起来很美好。

事实上，在 unidbg 官方加入 MCP 之前，笔者就已经尝试过给 unidbg 做 MCP 接入。结果发现问题比想象中多得多，最终放弃了这条路线，转而采用 Claude Code 的 Skill（自定义命令）机制来辅助逆向分析。

本文记录这个过程中的思考和踩坑，探讨为什么 unidbg 这类模拟器场景下，MCP 可能并不是最佳选择。

设想是这样的：unidbg 启动后暴露一组 MCP 工具，AI 可以：

逆向工程师只需要对话："帮我看看这个函数第三个参数指向什么结构体"，AI 自动下断点、读数据、推理分析。

后来 unidbg 官方确实做了这件事——一个完全自研的 HTTP+SSE 服务器（约 2600 行代码），暴露了 50+ 个调试工具：

实现得很完整，本质上是一个 AI 驱动的 GDB。

但当我们把它放到实际的逆向分析工作流中一评估，就发现了一系列结构性问题。

用过 unidbg 的人都知道，让一个 SO 跑起来最痛苦的不是逆向分析本身，而是补环境——手动模拟 SO 依赖的所有 Java/Android 环境。

unidbg 不是真机，它只模拟 ARM CPU。当 native 代码通过 JNI 回调 Java 层时，unidbg 会抛出异常告诉你："这个 JNI 方法我不认识，你得自己写 mock。"

这是一个典型的循环：

一个典型的网络请求签名 SO，最终需要 mock 的 JNI 接口清单可能是这样的：

每个 mock 还不是简单返回 null 就行。比如 SharedPreferences->getString() 需要根据 key 返回特定的值（密钥、配置等），Headers->name()/value() 需要维护一个完整的请求头列表并按索引返回。有些 mock 之间还有状态依赖——Buffer->writeString() 写入的数据，后面 Buffer->readByteArray() 要能读出来。

MCP 的工具集全部是运行时调试工具——read_memory、set_register、add_breakpoint 等等。但补环境需要的是：

1. 修改 Java 源码

MCP 没有任何工具能编辑 .java 文件。当 SO 崩溃在一个未实现的 JNI 方法上时，你需要在继承 AbstractJni 的测试类里加一个 case 分支。这是纯粹的代码编辑操作，不是调试操作。

2. 触发编译

改完代码后需要 mvn compile 或 IDE 增量编译。MCP 不接入构建系统。

3. 读取编译/运行报错

unidbg 的报错信息打印在 Java 的 stdout/stderr 上，不是在调试器控制台里。MCP 看不到这些输出。

4. 理解 JNI 语义

补环境不仅是"返回一个值"，还需要理解 SO 期望的语义。比如：

这需要理解 OkHttp 的 API 设计，不是简单的内存读写能解决的。

5. 反复重启

补环境的循环是"改一个 mock → 重启整个模拟器 → 看下一个报错"。每次都是完整的进程生命周期。MCP 连接的是一个运行中的调试会话，一旦进程结束，MCP 会话也就断了。

需要的是一个能读报错→改代码→触发编译→重新运行的循环。这恰好是 AI 代码编辑工具（Claude Code、Cursor 等）的核心能力，而不是 MCP 调试工具的能力。

SO 跑通后进入逆向分析阶段。核心工作是"下断点捕获数据→验证算法假设"。

但 hook 点经常选错，这是常态：

最终写出来的代码可能是这样的：

或者更常见的：

unidbg 模拟器每次运行都是从头开始：初始化 → 加载 SO → JNI_OnLoad → 调用目标函数 → 结束。整个生命周期可能只有几秒。错过一个断点，就得重头再来。但 MCP 没有"重启模拟器"的能力。

而代码是声明式的——callCount == 0 写一次，改个数字重跑 3 秒搞定。

每次迭代成本极低，而且之前所有的 mock 环境、初始化逻辑都在代码里，不会丢失。

逆向不是"看数据"，而是"提出假设→验证→修正"的循环。

比如你怀疑 SO 里有一段魔改 AES，验证方式是：

然后还有 InvMixColumns、AES-CBC 解密、PKCS#7 验证... 总计 200 行纯算法代码。

AI 通过 read_memory 拿到轮密钥的 hex dump 后，需要在"脑中"做 GF(2^8) 乘法、矩阵运算、S-box 查表... 这不现实。最终 AI 还是会说："我帮你写个 Python 脚本验证吧"——又绕回了代码生成的路子。

MCP 工具集里没有"执行任意计算"的工具。它能读数据，但不能处理数据。

unidbg 的 trace 输出量极大。一个包含自定义虚拟机的 SO，一次函数调用可能产生数十万条指令。

MCP 的 trace_code 实现将每条指令都作为一个 JSON 事件推入无界队列：

然后 poll_events 一次性全部拼成字符串返回：

10 万条指令 × 每条 ~300 字节 = 30MB JSON。两个问题：

写文件 + 离线过滤，天然支持任意大小的 trace 数据。

Claude Code 的 Skill 是一种自定义命令机制。在项目目录下创建 .claude/skills/<name>/SKILL.md，定义一个 prompt 模板。使用时输入 /skill-name 触发 AI 按模板生成代码。

核心区别：MCP 让 AI 操作调试器，Skill 让 AI 写代码。

/hook [地址] [描述] — 断点捕获代码生成

/trace [范围] [关注点] — Trace 捕获 + 分析脚本

/verify [算法假设] — 算法验证脚本

/jni [报错信息] — JNI Mock 自动补全

以"捕获 AES 轮密钥"为例：

MCP 方式（交互 8 轮，最终还是要写代码）：

Skill 方式（1 轮）：

MCP 的产出是一次性操作——"在某地址读 X2 寄存器"执行完就消失了。

代码的产出是永久资产——一个验证脚本不仅是工具，更是算法还原的完整文档。一个典型项目可能积累近 10 个 Java 调试脚本和 30+ 个 Python 验证脚本，每个都能独立重跑，合在一起就是整个算法还原过程的知识沉淀。

代码是声明式的——"我要在第 1 次调用时读 X2 指向的 0xF0 字节"写一次就行，反复执行结果一致。

MCP 是命令式的——每次都要手动走一遍"下断点→continue→poll→读数据"流程。走错一步就废了，而且没有重来的机会。

和 GDB/Frida/IDA 不同，unidbg 是模拟器，每次运行都是从头开始。MCP 适合的是长生命周期进程调试——目标进程持续存在，断点错了可以改，状态随时可查。unidbg 的"短生命周期、反复重跑"特性，天然适合代码驱动而不是交互驱动。

公平起见，MCP 并非一无是处。它适合：

unidbg 逆向的核心循环是"写代码→跑→看结果→改代码"，从最初的补环境到最终的算法验证，每一步都是代码驱动。AI 最大的价值不是替你操作调试器，而是替你写代码。

对于 unidbg 这种"短生命周期、需要补环境、反复重跑、需要算法验证"的场景，让 AI 生成代码（Skill）比让 AI 操作调试器（MCP）更合适。

把 AI 当作一个极其高效的代码生成器，远比把它当作一个远程调试操作员更有价值。

传播安全知识、拓宽行业人脉——看雪讲师团队等你加入！