让 LLM 真正像一个"安全研究员团队"那样工作：会拆任务、会用 IDA Pro、会跑 Frida、会做 Web 渗透、会自我进化——而不是只会聊天。

仓库链接在最后。

做安全分析的人都知道，一次完整的逆向或渗透任务里有大量重复性劳动：解包、反编译、字符串搜索、初轮壳检测……每换一个目标都要重新拼一遍命令、走一遍流程。研究员真正有价值的判断（这个函数是不是加密入口、这个跳转是不是关键点）反而被淹没在工具调用的琐事里。

OpenSecurity 做的事情很简单：让 LLM 自主接管一次安全分析的全过程——拿到目标文件，自己编排工具链（IDA Pro、Frida、apktool……），一步步推进，最后产出一份可验证的报告。不是停在"我建议你用 IDA 看看"，而是真的把 idat 启动起来、跑脚本、读输出、做推理、再决定下一步。

注意，这不是传统意义的自动化（写个脚本批量跑工具）。区别在于：传统自动化是固定流程，遇到意外只能走预定义的错误分支；OpenSecurity 是 LLM 实时推理，根据上一步的输出决定下一步做什么，遇到死路会自己换方向。

它和一般 AI 工具的区别：

后面整个项目的设计，都是在支撑这四个能力。

整个平台构建在 OpenCode 之上（一个开源的 AI 编程 Agent 框架），在其之上做了一层安全分析专用的扩展：

关键决策：LLM 不直接操作 GUI。例如，所有 IDA 操作都走 idat -A -S<script> headless 模式 + IDAPython 脚本。这让 AI 能稳定复现分析过程，而不依赖鼠标点击的时序。

用户给的复合任务（比如"逆向这个 APK，分析它的网络通信加密算法，再用 Web 端的接口验证一下"）会被自动拆分：

Coordinator 通过 Task 工具分发子任务，每个子任务由对应的专业 Agent 在独立 session 中执行，结果聚合到父任务目录下。

这是最成熟的一个 Agent。它的工作循环是：

工具脚本采用分层架构，避免重复造轮子：

13 种查询类型 覆盖逆向常用操作：decompile、xrefs_to、xrefs_from、packer_detect、read_data（支持 auto/string/bytes/pointer 四种模式）……

针对 APK/IPA 设计了独立路径：

支持真机交互：通过 adb 启动应用、Frida Hook Java/Native 方法、内存 dump DEX。

覆盖三种分析模式：

知识库里有专门的 Web Cache Poisoning 专题、框架安全速查（Django/Flask/Laravel/Express 常见配置缺陷）。

针对 LLM 应用（ChatGPT-like 服务、AI Agent、RAG 系统）的攻击面：

工具链包括 LLM 模拟器（白盒测试时模拟目标模型）、Playwright 浏览器自动化（黑盒测试时驱动 Web UI）。

这是整个平台最"反常识"的设计：让 AI 自己改进这个平台。

工作流程：

这让平台越用越强：每次实战中发现的模式，会沉淀成可复用的脚本或知识库条目，下次遇到类似场景直接调用。

security-analysis.ts 是整个平台的"操作系统"。它解决了一个 OpenCode 生态里很现实的问题——LLM 的上下文窗口是有限的，但安全分析动辄几小时、几十轮工具调用。

Plugin 的核心机制：

每次 LLM 请求前，Plugin 通过 experimental.chat.system.transform hook 把关键运行时变量注入 system prompt：

Agent 在 prompt 里看到 $PYTHON_CMD 就能直接拼出完整命令，不需要猜路径。

OpenCode 在上下文接近窗口上限时会自动压缩历史。但安全分析的中间状态（IDA 数据库路径、已识别的函数地址、已尝试的失败方向）一旦丢失，整个分析就废了。

Plugin 通过 experimental.session.compacting hook，在压缩发生之前强制注入：

压缩后 LLM 收到的提示是：

上下文刚被压缩。继续分析前必须：1. 重新读取 agent prompt 获取完整规则；2. 恢复 $OPENCOD{E}_{R}OOT、$TASK_DIR 等关键变量。

安全分析中常见的失败模式：LLM 输出一段报告后判断"已完成"，停下来等用户。但用户可能在睡觉、在开会、在写别的代码——分析就这么挂在那。

Plugin 监听 session.idle 事件，当主 session 空闲且任务目录存在时，自动发送恢复消息：

你之前的分析是否已经完成了？如果已经完成，请直接输出最终结论。如果尚未完成，请自主继续分析，不要停下来向用户提问。

配合 .persistence.json 控制最大持续时间（默认 6 小时），避免无限恢复。

Agent prompt 里大量使用 {{buwai-rule:片段名}} 引用共享片段：

Plugin 在 system.transform 阶段把占位符替换为 agents-rules/<name>.md 的实际内容。修改共享规则只需改一个文件，所有 Agent 同步生效。带 mtime 缓存，文件改完下次调用立即生效。

tool.execute.before hook 做两件事：

绝对禁止用自己重实现代码验证自己重实现的结果。

逆向出一个加密算法后，很容易陷入自欺欺人：用 Python 重写算法 → 用重写后的代码算 license → 算出来 → "我成功了！"。但如果重写本身就错了，验证就是错的。

正确的验证路径（决策树）：

逆向新手最大的陷阱是"我把这个函数从头到尾读懂"。实际上 90% 的场景只需要找到：

绕过优先于逆向。除非用户明确要求分析保护机制本身，否则寻找最短绕过路径：Patch 跳转 > Hook 返回值 > 完整理解算法。

每条结论都必须标注来源：

低置信度的推测不允许直接报告，必须继续验证。

工具与知识库的依赖是单向的：

binary-analysis/ 是基础设施层，其他三个领域可以复用它的脚本和知识库，但反过来不行。这避免了循环依赖和知识库污染。

以一个 CTF reverse 题为例（实际任务目录会持久化所有中间产物）：

用户只需要丢一句话：

帮我逆向 /Users/me/Downloads/crackme.exe，找出正确的 license

然后去喝杯咖啡，回来看 report.md。

Plugin 加载时确保 ~/bw-security-analysis/.venv 存在且可用，失败则整个 Plugin 加载失败。所有 Agent 用同一个 $PYTHON_CMD，避免依赖漂移。

每次实战中如果生成了可复用的脚本（比如"针对 VMProtect 3.x 的 OEP 定位"），evolve Agent 会把它沉淀到 scripts/ 并注册到 registry.json。下次遇到类似场景，Agent 直接调用沉淀脚本而不是从头构造。

为了 AI 生成的脚本可维护，制定了严格的 IDAPython 编码规范：

已稳定可用的领域：

需要持续打磨的：

依赖的外部工具：

OpenSecurity 不是一个"AI 替代安全研究员"的项目——优秀的分析仍然需要人的判断和经验。

它做的是把研究员从重复性劳动中解放出来：让 AI 跑那些本来就该脚本化的步骤（解包、反编译、字符串搜索、初轮壳检测），让人专注于策略决策和结果验证。

如果你对项目的某个部分感兴趣（Plugin 机制、某个 Agent 的实现、工具脚本的设计），欢迎在对应目录下深入阅读。每个 Agent 的 prompt 都附带了详细的 knowledge-base/ 文档，按需加载、不堆砌上下文。

这个平台的核心价值在于知识蒸馏——把安全研究员在实战中积累的隐性经验（脱壳套路、算法识别技巧、漏洞利用模式），提炼成可复用的脚本和知识库文档。你贡献的每一次分析经验，都会被蒸馏成所有人共享的资产，让平台越用越强。

延伸阅读：

项目地址：637K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6*7P5h3I4U0x3K6j5&6i4K6u0r3e0%4m8W2L8W2y4W2j5%4g2J5K9i4c8&6

.opencode/
├── agents/                          # 6 个 Agent 的主 prompt（LLM 的"工作守则"）
│   ├── security-coordinator.md      # 编排器：复合安全任务拆分 + 分发到专业 Agent
│   ├── binary-analysis.md           # 二进制逆向：算法还原、壳检测、漏洞挖掘
│   ├── mobile-analysis.md           # 移动端逆向：APK/IPA 反编译与 Java/Native 分析
│   ├── web-analysis.md              # Web 安全：URL/源码的漏洞审计与攻击链构造
│   ├── ai-security-analysis.md      # AI 应用安全：LLM 应用的提示注入与越狱
│   └── security-analysis-evolve.md  # 自我进化：从实战复盘中沉淀脚本与知识库
├── agents-rules/                    # 跨 Agent 共享的 prompt 片段（Plugin 自动展开）
├── plugins/
│   └── security-analysis.ts         # Plugin（TypeScript）：上下文持久化、session 管理
├── binary-analysis/                 # 二进制 Agent 的工具脚本 + 知识库
├── mobile-analysis/                 # 移动端 Agent 的工具脚本 + 知识库
├── web-analysis/                    # Web Agent 的工具脚本 + 知识库
├── ai-security-analysis/            # AI 安全 Agent 的工具脚本 + 知识库
└── commands/                        # 自定义斜杠命令

用户: "分析这个 APK 的加密协议，对照它的后端接口验证"
        │
        ├─ #1 mobile-analysis  → 反编译 APK，定位 native 加密函数
        ├─ #2 binary-analysis  → 逆向 .so，还原加密算法（依赖 #1）
        └─ #3 web-analysis     → 调后端接口验证算法输出（依赖 #2）

阶段 A: initial_analysis.py → 拿到段/入口点/导入/字符串/壳检测/场景分类
阶段 B: 读取 analysis-planning.md → 根据场景（CTF/壳/驱动/算法）选方案
阶段 C: 循环执行 → query.py（13 种查询）/ update.py（4 种更新）/ 自定义脚本
阶段 D: verification-patterns.md → 验证结论（Hook/Unicorn/GUI 自动化）

_base.py      →  日志、JSON 输出、headless 入口、auto_wait/qexit
   ↑
_utils.py     →  thunk 追踪、地址解析、数据读取
   ↑
_analysis.py  →  段、入口点、导入、字符串、壳检测、场景分类
   ↑
query.py / update.py / scripts/*.py

1. 复盘近期分析任务（读 timeline.log、报告、失败记录）
2. 识别高价值改进点（某个反复踩的坑、某个重复构造的脚本）
3. 提出 candidate（新增脚本 / 修改知识库 / 调整 prompt）
4. 与用户讨论确认（不能私自修改）
5. 按质量流程实施（先测试、再合并、记录变更）

## 全局环境和目录位置信息
- $OPENCODE_ROOT = /Users/.../.opencode
- $AGENT_DIR     = /Users/.../.opencode/binary-analysis
- $SHARED_DIR    = /Users/.../.opencode/binary-analysis
- $PYTHON_CMD    = /Users/.../bw-security-analysis/.venv/bin/python
- IDA Pro        = /Applications/IDA Pro 8.4/idat
- 编译器         = clang (/usr/bin/clang)
- Python 包      = capstone@5.0.3, unicorn@2.1.3, frida@17.2.1, ...

[内核课程]《Windows内核攻防实战》！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。