10月12日，REA还停在12万Star。
五天后，GitHub API给出的数字是292,136。
按这两个公开时间点计算，它又涨了约17.2万Star。
REA没有发布一个更大的模型，也没有发明新的反编译器。它做的事情听起来甚至有点朴素：把Agent接到Ghidra、Hopper、IDA、JADX、Chrome等工具上，让AI自己观察、追踪、写实现，再验证结果。
但这件事真正碰到的，是软件行业一堵很旧的墙。
过去，代码只要不公开，理解它就很昂贵。
现在，这笔成本正在被Agent重新定价。
图：REA官方GitHub仓库，2026年10月17日截取。页面显示约29.2万Star、7.36万Fork。
01｜REA拆掉的，不是源码，而是调查软件的门槛
先把最容易误解的一点说清楚。
REA不会凭空吐出一份“原始源码”。
对于原生程序，它返回伪代码、汇编、字符串、符号、调用与引用；对于JavaScript和Electron应用，它恢复模块、依赖、路由、IPC以及原生扩展之间的关系；对于网站，它记录页面结构、脚本、网络行为和截图。
随后，Agent依据这些证据编写新的实现，并通过测试继续逼近原程序的行为。
它更像一支不知疲倦的调查队：会打开工具，会追调用链，会换路线，也会把“我看见了什么”和“我还不知道什么”一起交回来。
整个过程可以压缩成一条很短的链：
Agent提出问题 → REA调用工具 → 返回证据与未知项 → Agent编写实现 → 再用结果验证
单个环节都不新鲜。
真正的新东西，是它把过去分散在专家脑子、逆向工具和大量手工操作里的流程，第一次变成了Agent可以连续执行的工作流。
这也解释了为什么REA的官方能力表越来越长：原生二进制、Go、Rust、WASM、EVM字节码、SQLite、Electron、网站、.NET、APK、Flutter、固件、抓包文件，甚至逻辑分析仪记录，都已经进入它可以调查的范围。
这里的关键词不是“支持多少格式”。
而是Agent终于有了一套能触碰真实软件、留下证据并反复验证的手。
图：REA官方Showcases，依次为DX-Ball声音定位、Notion剪贴板桥接、东方梦时空弹幕计算。
官方给出的三个案例，很能说明这种变化。
- 在DX-Ball里，REA沿着声音调用找到位置到声道的计算逻辑。重建结果通过了3,205个原始x86测试用例，重新编译后的63个函数字节全部一致。
- 在Notion里，它从渲染进程的剪贴板接口出发，穿过preload、IPC，一路追到主进程，找到了富文本剪贴板格式的完整通路。
- 在1998年的PC-98游戏《东方梦时空》里，它从16位指令恢复弹幕圆环的角度计算，再把重建的C++与当年的编译结果进行比较。
这三件事都不是“看起来差不多”。
它们共同强调的是：复刻必须有可追溯的证据，也必须接受结果校验。
讨论REA时，还要把三个经常混在一起的词拆开：理解、重建和替代。
理解，是从行为、结构、调用和数据中解释一个软件如何工作。这正是REA目前最稳定的价值：它让Agent带着问题进入目标，再把结论连回具体证据。
重建，是在已经理解的基础上写出新的实现。它需要测试、比对和人工判断。DX-Ball能够做到字节级一致，是因为问题边界清楚、验证标准明确；换成一套庞大的商业软件，重建难度会立刻上升。
替代，则意味着新产品不仅能跑，还要承接数据、兼容旧流程、响应客户、持续更新，并让用户愿意迁移。这个层级已经超出代码本身。
REA大幅降低了第一层的成本，也把第二层向更多人开放。
它并没有自动完成第三层。
这个区分很重要。它既能解释REA为什么值得29万Star，也能避免把一个强大的调查工具写成无所不能的复制机。
02｜我们让它读了一遍自己的官网
为了确认REA究竟是在“看图写网页”，还是确实能沿着页面结构继续往下追，我们用REA 6.5.0检查了它自己的官网。
这次记录里，它捕获了：
- 1,665个DOM节点；
- 618个可访问性节点；
- 6个页面脚本；
- 8项页面资源；
- 3,329个AST节点和5条模块导入关系。
更关键的是，它没有停在截图。
它从脚本中识别出了官网查询仓库数据的GitHub API地址：
https://api.github.com/repos/morluto/rea
这意味着，Agent拿到的不只是“这里应该显示一个Star数字”，而是这个数字从哪里来、由哪段脚本请求、页面如何把结果呈现出来。
图：本次实测保存的页面结构、可访问性、脚本和资源证据。
依据这些证据，我们重建了官网首屏的导航、主视觉、终端卡片、复制按钮和主题切换。
结果可以运行，也保留了原页面最关键的交互逻辑。
图：依据REA证据完成的首屏重建。这里只验证公开首屏与关键交互，不代表获得整站或服务端源码。
边界同样清楚。
我们没有拿到服务端没有公开的代码，也没有还原整套官网。当前结果只是对公开页面首屏和关键交互的一次“洁净室重建”。
但这已经足够说明REA真正改变的地方：
以前的AI经常根据截图猜实现；现在的Agent可以先收集证据，再根据证据写实现。
它把“像不像”这个审美问题，变成了“证据是否闭环”这个工程问题。
03｜四年前，AI还只是一个会答题的逆向助手
这条路线并不是突然出现的。
2022年，一篇名为《Pop Quiz! Can a Large Language Model Help With Reverse Engineering?》的论文，已经尝试让Codex从源码和反编译代码中判断程序用途、能力以及关键变量。
研究者一共提出136,260个问题，模型答对72,754个。
论文当时的结论很克制：结果很有潜力，但大模型还没有准备好独立完成零样本逆向工程。
四年后，变化并不只是模型“答对得更多”。
它开始自己操作工具了。
今年4月，开发者Huli记录了多次“AI Agent＋Ghidra MCP”的逆向过程。
在一个Cocos2d游戏里，Agent发现大量JavaScript和JSON资源被加密，于是从35MB的libcocos2djs.so里追踪解密函数，识别出Blowfish，再恢复被逐字符拼接的密钥，随后写脚本解开资源。
另一个Unity案例更典型。
Agent先后试过Lua字节码、多个AES模式、RC4和静态查找，全部走进死胡同。直到它重新观察密文，发现1,500个文件共享相同前缀，才猜到明文可能是Lua文件开头连续的注释符号，并由此反推出6字节循环XOR密钥。
这不是一条漂亮的直线。
它更像真实的逆向工作：尝试、失败、看日志、修正假设，然后再试一次。
Huli也记录了代价。多数App在他的环境里约30分钟完成；但一次Claude Code分析消耗了4,000万Token，约27美元。速度变快，并不代表成本和稳定性已经消失。
更危险的问题，来自AI的“自信”。
有时Agent只恢复出了接口和参数，没有拿到真正实现，却仍然能根据命名写出一份头头是道的分析报告。如果没有继续追问“实现证据在哪里”，用户很容易把合理猜测当成已经还原的事实。
所以，REA最值得看的设计，不只是会调用多少工具。
它反复强调evidence和limitations：证据是什么，结论走到哪一步，还有什么不能确认。
当AI越来越会行动，最稀缺的能力反而不是让它多做一步，而是逼它证明自己真的做到了。
04｜软件会完蛋吗？先完蛋的，是“藏起来就安全”
REA爆火之后，最刺激的说法是：既然Agent可以研究任何软件，所有软件都会在效果上变成开源。
这个判断抓住了一半真相。
只要逻辑必须在客户端运行，就一定会留下可以观察的痕迹。混淆、加壳、反调试从来没有让逆向变成不可能，它们只是让逆向变得更贵。
Agent正在压低的，恰好就是这部分价格。
过去需要熟练掌握汇编、调试器、系统接口和多种专用工具的人，才能完成一段复杂调查。现在，一个懂目标、会追问证据的人，也可能指挥Agent把许多步骤跑完。
这会让三类产品最早感到压力：
- 核心价值主要放在客户端算法里的产品。 一旦关键逻辑被定位，复制成本会明显下降。
- 主要依赖界面和功能组合形成差异的工具。 可见体验更容易被拆解，功能领先期会缩短。
- 依靠信息不透明维持优势的旧软件。 文档缺失和实现隐蔽，不再天然等于长期壁垒。
但“能理解代码”和“能替代一家公司”之间，仍然隔着很远。
Red Hat经营的是开源软件，却持续让客户为订阅付费。它在官方说明里列出的价值包括生产可用的代码、生命周期管理、兼容性、安全更新、认证、专家支持和知识体系。
源码公开，并没有自动复制这些能力。
同样，一个SaaS产品真正难搬走的，往往是服务端系统、长期数据、反馈回路、客户关系、行业知识、运营网络，以及出了问题以后能不能持续履约。
代码决定一个产品能不能被做出来。
这些东西决定它能不能长期被人使用。
这也是为什么“可复制”和“可替代”必须分开看。
一个团队可以在几天内复现某个界面，甚至还原一段客户端算法；但它很难同时复制原产品积累多年的脏数据处理、异常兜底、权限体系、渠道关系和客户信任。越靠近可见界面，复制速度越快；越靠近长期运营，时间仍然是最难压缩的成本。
因此，REA带来的变化并不是“软件失去价值”，而是价值的位置继续移动：
- 从实现不可见，移向业务知识；
- 从功能数量，移向迭代速度；
- 从一次性交付，移向持续服务；
- 从用户看不懂，移向用户即使看懂也仍愿意信任。
对于小团队，这是一次难得的降维。
他们可以更快理解旧系统、迁移没有文档的遗留软件、研究兼容方案，也能在合法授权范围内，把原本只有大公司承担得起的调查工作交给Agent。
对于软件公司，这同样是一记提醒。
如果产品最重要的优势，只是别人还不知道你怎么实现，那么这个优势的半衰期正在缩短。
05｜以后，复杂性必须真实存在于业务里
REA当然不是一台“复制所有软件”的魔法机器。
它仍然会走错路，会消耗大量Token，会把推断说得像事实，也受目标权限、工具能力和法律边界约束。
可它已经让一个趋势变得很难忽略：软件的可读性，正在从少数专家的手艺，变成Agent能够规模化执行的流程。
这堵墙一旦变薄，行业不会停止写软件。
行业只会被迫重新回答一个更难的问题：当别人更容易看懂并复现你的实现，用户为什么仍然选择你？
答案可能是数据，是服务，是社区，是可信度，是对某个行业十年积累下来的判断，也是每次变化发生时，你比别人更快把它变成可靠产品的能力。
过去，软件公司可以把复杂性藏在二进制里。
以后，复杂性必须真实地存在于业务里。
软件真正的护城河，也不再是别人看不见你怎么做。
而是即使看见，也无法在短时间内成为你。
---
资料来源
- REA GitHub仓库及README：https://github.com/morluto/rea
- REA官方Showcases：https://rea.tools/showcase/
- GitHub REST API仓库记录（2026年10月17日）：https://api.github.com/repos/morluto/rea
- 《Pop Quiz! Can a Large Language Model Help With Reverse Engineering?》：https://arxiv.org/abs/2202.01142
- Huli，《从逆向工程重新认识AI的强大》：https://blog.huli.tw/2026/04/18/ai-reverse-engineering-op/
- Red Hat Subscription Model FAQ：https://www.redhat.com/en/about/subscription-model-faq
- 10月12日12万Star记录：用户提供的InfoQ参考稿PDF《软件完蛋了吗？REA三天狂揽12万星》
说明：本文实测仅针对公开网页与本地保存的证据，用于说明技术原理。分析软件时，应确保拥有相关软件及工具的合法授权，并遵守许可与适用法律。