智猩猩AI整理 编辑：林夕 「REA 是互联网上最危险的仓库……所以我做了个东西，让它看不见。」 说这话的是中山大学大三学生 Timo Zhang，他在 X 上介绍了自己独立开发的开源项目 BLA（Blind LLM Agents） ，专门用来反制 REA 这类 AI 逆向工具。 他在发帖时晒出了 3,278 Star、407 Fork。目前，项目仓库已显示 5.2k Star 。 他点名的 REA，正是我们前几天报道过的那个 AI 逆向项目 。 把软件交给它，AI Agent 就能调用分析工具，顺着打包后的代码查文件、找函数，试着还原软件是怎么工作的。 项目上线一周，GitHub 标星就超过了 10 万。 REA 能自己顺着线索查下去，BLA 就从它看到的线索入手。按项目方对样例的估算，加固后的逆向任务最高可能 消耗原来约 2800 倍的 Token 。 01 给AI逆向工具一条假线索 AI Agent 做逆向时，会根据工具返回的结果决定下一步查什么，看到一个可疑的函数名，它可能去找调用者。 发现一个看起来和认证有关的模块，它又会顺着调用关系，看看软件什么时候会用到它。 BLA 下手的地方，就是 Agent 用来做这些判断的 线索 。 以 JavaScript 的 Source Map 为例。网页代码打包压缩后，原来分散在多个文件里的代码可能只剩下几行。 Source Map 能告诉调试器，这几行分别对应原项目里的哪个文件、哪个位置。 对逆向 Agent 来说，拿到这份映射，就有机会跳过大段压缩代码，直接找到要查的模块。 但这份映射也可能指向一条假线索。 在 BLA 展示的案例里，一段普通的客户端代码，看起来像是在调用硬件安全区，连相关的认证流程也像模像样。 Agent 如果信了，就可能接着找认证模块、梳理调用关系，最后把程序里从未发生过的调用写进报告。 Timo Zhang 在 X 上用三个词概括这套思路： Poison、Exhaust、Hallucinate 。 先让 Agent 读到看似可信的信息，再让它沿着假线索消耗上下文和 Token，最后让这些未经核实的信息变成报告里的结论。 还有一种情况，Agent 甚至来不及追查。 BLA 会让部分加固后的文件超出分析器的处理上限，工具可能提前报错，也可能只返回部分结果。 于是，同样一套加固方案，有的样例会让 REA 在读取阶段停下来，有的则会让 Agent 带着不完整的信息继续往下查。 02 有的样例让REA报错， 有的还能继续查 BLA 的假线索能把 AI 带偏多远？ 作者先用 REA 做了一组加固前后的对照，看看同一份软件经过处理，分析工具还能读出多少东西。 在公开的 13 项对照 里，有 7 项 在被测步骤报错或被拒绝， 2 项 仍能返回部分结果， 1 项 只在指定查询时报错，另外 3 项 未观察到分析受阻。 换句话说，有些样例一上来就卡在了文件读取环节，有些仍给 Agent 留下了继续追查的空间。 其中一个例子是 Electron 应用常用的 ASAR 打包文件 。加固前，样例只有 607 字节 。 加固后，文件增至 16.93 MiB ，超过了 REA 当时的默认读取上限，分析器随即报错。 至于引言里提到的 最高 2800 倍 ，项目方给出的是另一组数据。 它来自对 14 个样例 的成本建模，估算的是加固后逆向任务可能消耗多少 Token。 在这组估算里，不同样例的 Token 消耗约为 原来的 300 至 2800 倍 。 工具在第一步就报错，和 Agent 顺着一条假线索查了十几轮，是两种不同的结果。 前者能在对照测试里直接记录，后者的实际开销取决于 Agent 查了多久、读了多少内容。 即使它最后交出了一份完整的报告，还有一个问题要回答： 报告里的调用关系，究竟来自程序本身，还是来自那条假线索？ 03 一条命令， 跑完BLA的14个官方样例 BLA 提供命令行工具和 MCP 接入。想先看看前面提到的样例怎么跑，用命令行就够了。 项目 README 推荐 Node.js 22.23.4 或更新的 22.x 版本，或者 Node.js 24 及以上版本 。 装好 Node.js 后，打开终端，先检查版本： node -v 接着，用 npx 运行 BLA 自带的 14 个示例。第一次执行时，终端可能会提示下载 bla-agents 包。 npx bla-agents benchmark 运行后会看到各样例的 Token 倍率、费用估算和运行结果一致性检查。 这里的 Token 和费用仍是项目内部估算 ， 可以和前面截图里的表格对照看。 如果想试自己的项目，可以先复制一份构建产物，在副本目录里运行： npx bla-agents harden . 命令里的 . 指当
