最近“AI 輔助逆向”成了一個(gè)熱門話題這套思路能不能用在 iOS 應(yīng)用分析上回答這個(gè)問題之前先擺結(jié)論能而且確實(shí)能把門檻拉低不少。但前提是分析對(duì)象必須是你自己開發(fā)的應(yīng)用、已經(jīng)獲得授權(quán)的測(cè)試應(yīng)用或來(lái)自公開開源的項(xiàng)目。拿閑魚這類商業(yè) App 來(lái)做未經(jīng)授權(quán)的破解分析既不合規(guī)也不安全。這篇文章要聊的是一套合規(guī)、可落地的 AI 輔助 iOS 應(yīng)用分析方法重點(diǎn)放在工具鏈怎么搭、AI 怎么幫你看懂逆向產(chǎn)物、以及批量化驗(yàn)證的思路。這套流程跑通之后你會(huì)對(duì) iOS 應(yīng)用的結(jié)構(gòu)、簽名、加密、核心協(xié)議有一個(gè)更系統(tǒng)的認(rèn)知。先別急著刷“隨手一逆”iOS 應(yīng)用分析從來(lái)不是雙擊一個(gè) exe 就能出結(jié)果的事。不過好消息是當(dāng)前 AI 大模型在代碼理解、偽代碼恢復(fù)、Objective-C/Swift 運(yùn)行時(shí)結(jié)構(gòu)解釋上確實(shí)能頂半邊天。配合現(xiàn)有的逆向工具鏈能省掉大量人工閱讀匯編和 objc_msgSend 調(diào)用鏈的時(shí)間。這篇文章圍繞幾個(gè)核心問題展開AI 輔助逆向到底怎么落地、需要什么硬件和系統(tǒng)環(huán)境、顯存和內(nèi)存開銷有多大、支持哪些啟動(dòng)方式、能不能做批量任務(wù)以及最重要的——合規(guī)邊界在哪里。1. AI 輔助 iOS 應(yīng)用分析核心能力速覽能力項(xiàng)說(shuō)明項(xiàng)目類型AI 大模型輔助移動(dòng)端應(yīng)用靜態(tài)分析 / 逆向輔助方案典型輸入脫殼后的 App 二進(jìn)制、class-dump 頭文件、反匯編偽代碼、匯編片段核心能力符號(hào)表解讀、Objective-C 方法還原、偽代碼邏輯翻譯、協(xié)議格式推測(cè)顯存需求本地大模型按量化等級(jí)不同約 6G 到 24G 不等API 方式只需網(wǎng)絡(luò)帶寬核心硬件macOS 環(huán)境 可選 NVIDIA GPU / Apple Silicon純 CPU 也能跑支持平臺(tái)macOS、Linux、Windows工具鏈覆蓋度有差異啟動(dòng)方式CLI 工具 Python 腳本 大模型 API / 本地模型服務(wù)是否支持 API支持OpenAI 兼容接口或本地 OpenAI 格式服務(wù)均可是否支持批量任務(wù)支持可對(duì)多個(gè)方法、多個(gè)類做批量分析適合場(chǎng)景個(gè)人 App 安全自測(cè)、公開開源項(xiàng)目學(xué)習(xí)、授權(quán)范圍內(nèi)的協(xié)議分析限制未經(jīng)授權(quán)的商業(yè) App 破解不在討論范圍內(nèi)這套方案的核心價(jià)值在于傳統(tǒng)上你要自己讀匯編、查調(diào)用鏈、猜參數(shù)含義現(xiàn)在可以把這些臟活交給大模型去做“初篩”你只做最終判斷。2. 適用場(chǎng)景與使用邊界先講邊界因?yàn)檫@次主題的合規(guī)性比技術(shù)細(xì)節(jié)更重要。2.1 合法使用的場(chǎng)景自研 App 安全審計(jì)分析自己開發(fā)的 iOS 應(yīng)用驗(yàn)證簽名保護(hù)、字符串加密、通信協(xié)議混淆是否有效。開源項(xiàng)目學(xué)習(xí)對(duì) GitHub 上開源 iOS 項(xiàng)目做結(jié)構(gòu)分析、算法復(fù)現(xiàn)、原理驗(yàn)證。授權(quán)滲透測(cè)試已獲得廠商書面授權(quán)的安全測(cè)試明確測(cè)試范圍為指定 App。學(xué)術(shù)研究對(duì)公開樣本或已脫敏數(shù)據(jù)做教學(xué)演示。2.2 需要規(guī)避的做法對(duì)閑魚、微信、抖音這類商用 App 進(jìn)行脫殼、砸殼、抓包、算法還原用于爬蟲、外掛、刷量、仿冒。破解簽名驗(yàn)證、內(nèi)購(gòu)邏輯、會(huì)員限制。將分析結(jié)果用于公開傳播商業(yè)應(yīng)用源碼片段。這里必須明確一點(diǎn)繞過商業(yè)應(yīng)用的安全機(jī)制來(lái)獲取算法細(xì)節(jié)屬于違法行為。本文章節(jié)里的工具鏈和分析流程只面向你自己擁有或已獲得授權(quán)的應(yīng)用。你可以拿著這些方法去分析自己寫在 App 里的 RSA 加密邏輯、防調(diào)試機(jī)制、通信協(xié)議版本號(hào)但不要拿它去碰任何你沒有權(quán)限的 App。2.3 安全的測(cè)試環(huán)境建議使用單獨(dú)一臺(tái) Mac 或虛擬機(jī)安裝分析工具鏈。被分析對(duì)象盡量是已卸掉核心業(yè)務(wù)數(shù)據(jù)的測(cè)試應(yīng)用不包含真實(shí)用戶信息的本地構(gòu)建版本連接隔離網(wǎng)絡(luò)環(huán)境。3. 環(huán)境準(zhǔn)備與前置條件3.1 硬件與系統(tǒng)要求硬件項(xiàng)最低要求建議CPU4 核以上Apple Silicon 或 Intel Core i7 以上內(nèi)存16G32G 以上顯卡集顯可跑 API 分析本地大模型建議 NVIDIA 8G 顯存以上系統(tǒng)macOS 12macOS 14 更好用磁盤40G 可用模型文件 工具鏈約需要 60G這個(gè)方案對(duì)硬件不算苛刻。如果你的大模型分析全部走 API那么本機(jī)只需要能跑 Python 和逆向工具就行。如果要用本地大模型處理敏感代碼片段適合不想把代碼上傳到外部 API 的場(chǎng)景則需要一定顯存。3.2 軟件依賴清單軟件用途Xcode Command Line Tools編譯輔助、工具鏈依賴Homebrew包管理器class-dump導(dǎo)出 Objective-C 頭文件Hopper Disassembler / Ghidra反匯編和偽代碼生成IDA Pro可選更專業(yè)的反編譯Python 3.9批量處理腳本大模型 APIOpenAI / 通義 / DeepSeek 等AI 輔助分析llama.cpp / Ollama可選本地大模型推理3.3 獲取測(cè)試對(duì)象前提必須是你自己的 App或者已獲得授權(quán)的 App。如果你只有一個(gè) .ipa 文件需要先確認(rèn)是否持有版權(quán)或授權(quán)。對(duì)于自研 App直接用 Xcode 構(gòu)建的 Release 包即可。# 查看已連接的 iOS 設(shè)備 xcrun devicectl list devices # 從設(shè)備上獲取已安裝應(yīng)用的沙箱路徑僅限你自己的應(yīng)用 # 這里不展開具體命令因?yàn)椴煌?iOS 版本差異很大更穩(wěn)妥的做法是直接在 Xcode 里 Archive 出一個(gè) Release 包然后從產(chǎn)物目錄里找到 App 二進(jìn)制。# 以自研 App 為例找到編譯產(chǎn)物 find ~/Library/Developer/Xcode/DerivedData -name *.app -type d4. 安裝部署與啟動(dòng)方式4.1 安裝逆向工具鏈?zhǔn)褂?Homebrew 安裝基礎(chǔ)依賴# 安裝 Homebrew如果還沒有 /bin/bash -c $(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh) # 安裝常用工具 brew install python brew install ghida # 如果有對(duì)應(yīng) formula 的話Ghidra 更推薦下載官方壓縮包Ghidra 推薦直接從 NSA 官方 GitHub 下載解壓后通過./ghidraRun啟動(dòng)依賴 JDK 17。# 安裝 JDK brew install openjdk174.2 安裝 class-dumpclass-dump 用于導(dǎo)出 Objective-C 運(yùn)行時(shí)頭文件是理解 iOS 應(yīng)用結(jié)構(gòu)的最快路徑。# 如果你有源碼可以直接編譯安裝 git clone https://github.com/nygard/class-dump.git cd class-dump xcodebuild -project class-dump.xcodeproj -target class-dump -configuration Release build4.3 配置大模型環(huán)境兩種方式方式 A使用云端 API推薦用于快速分析和隱私要求不高的場(chǎng)景。pip install openai設(shè)置環(huán)境變量export OPENAI_API_KEYyour-api-key export OPENAI_BASE_URLhttps://api.openai.com/v1方式 B使用本地大模型適用于代碼片段不想出本機(jī)的場(chǎng)景。以 Ollama 為例# 安裝 Ollama curl -fsSL https://ollama.com/install.sh | sh # 啟動(dòng)服務(wù) ollama serve # 拉取代碼分析模型以 qwen2.5-coder 為例 ollama pull qwen2.5-coder:7b本地大模型會(huì)占用顯存。7B 量化模型大概需要 6~8G 顯存14B 模型需要 12G 以上。如果是 Apple Silicon 的 Mac可以統(tǒng)一內(nèi)存跑但占用會(huì)隨著并發(fā)上升。4.4 啟動(dòng)分析工作流推薦的工作流是先用 class-dump 導(dǎo)出全部頭文件再用 Ghidra 或 Hopper 生成反匯編和偽代碼然后用 Python 腳本把選中的方法片段批量發(fā)給 AI 分析。整體流程自研 App 二進(jìn)制 - class-dump - 頭文件 - Ghidra - 偽代碼 - 提取目標(biāo)方法 - 調(diào)用大模型分析 - 結(jié)構(gòu)化輸出5. 功能測(cè)試與效果驗(yàn)證5.1 測(cè)試目標(biāo)以自研 App 為例驗(yàn)證這套 AI 輔助分析流程能不能快速還原一個(gè)加密工具函數(shù)的邏輯。準(zhǔn)備一個(gè)簡(jiǎn)單的測(cè)試場(chǎng)景你的 App 里有一個(gè)encryptPayload:key:方法使用 AES 加密并做了 base64 編碼。你要驗(yàn)證 AI 能不能從反編譯結(jié)果中準(zhǔn)確還原這段邏輯。5.2 第一步導(dǎo)出頭文件# 假設(shè)編譯好的 App 位于當(dāng)前目錄 class-dump -H TestApp.app -o ./headers查看輸出ls headers | head -50你會(huì)看到一堆 Objective-C 頭文件。找到核心類比如CryptoTool.hinterface CryptoTool : NSObject - (NSString *)encryptPayload:(NSString *)payload key:(NSString *)key; end有頭文件之后你就知道有哪些方法和屬性了。這是 AI 分析的基礎(chǔ)輸入。5.3 第二步用 Ghidra 生成偽代碼打開 Ghidra導(dǎo)入TestApp.app里的二進(jìn)制文件。等待自動(dòng)分析完成后搜索encryptPayload:key:方法右側(cè)窗口會(huì)顯示反匯編和偽代碼。輸出類似undefined8 -[CryptoTool encryptPayload:key:](void *self, void *sel, void *payload, void *key) { // 偽代碼占位實(shí)際以 Ghidra 分析結(jié)果為準(zhǔn) }把這段偽代碼復(fù)制到單獨(dú)的文本文件里或者直接復(fù)制到剪貼板。5.4 第三步用 AI 分析偽代碼寫一個(gè)簡(jiǎn)單的 Python 腳本把偽代碼發(fā)給大模型讓它解釋函數(shù)邏輯。from openai import OpenAI client OpenAI( api_keyyour-api-key, base_urlhttps://api.openai.com/v1, # 也可以換本地 Ollama 地址 ) pseudocode undefined8 -[CryptoTool encryptPayload:key:](void *self, void *sel, void *payload, void *key) { // 粘貼 Ghidra 輸出的偽代碼 } prompt f 你是一個(gè) iOS 逆向分析助手。以下是 Ghidra 對(duì)一個(gè) Objective-C 方法生成的偽代碼。 請(qǐng)分析并回答 1. 這個(gè)方法的功能是什么 2. 使用了什么加密算法 3. 輸入輸出參數(shù)分別是什么 4. 有沒有明顯可以優(yōu)化的點(diǎn) 偽代碼如下 {pseudocode} response client.chat.completions.create( modelgpt-4o, # 或者你使用的其他模型 messages[ {role: system, content: 你是 iOS 逆向分析專家。}, {role: user, content: prompt}, ], temperature0.2, ) print(response.choices[0].message.content)預(yù)期結(jié)果AI 會(huì)告訴你這個(gè)方法主要處理了字符串拼接、AES 加密調(diào)用、base64 編碼并指出使用了CCCrypt函數(shù)且采用的算法標(biāo)識(shí)是kCCAlgorithmAES。判斷成功標(biāo)準(zhǔn)AI 能準(zhǔn)確識(shí)別CCCrypt調(diào)用。AI 能說(shuō)出密鑰長(zhǎng)度、填充模式。AI 能還原出輸入輸出格式。如果分析失敗優(yōu)先檢查偽代碼片段是否完整、是否有大段未知地址導(dǎo)致上下文缺失。5.5 第四步驗(yàn)證 AI 分析結(jié)果拿到 AI 的分析結(jié)論后回到源碼里驗(yàn)證。這里的關(guān)鍵是AI 輸出的結(jié)論是否和實(shí)際代碼一一對(duì)應(yīng)。如果 AI 說(shuō)使用了 ECB 模式但源碼里寫的是 CBC那說(shuō)明偽代碼上下文不完整需要調(diào)整 Ghidra 的分析范圍。建議記錄一個(gè)比對(duì)表分析項(xiàng)AI 輸出實(shí)際源碼是否一致加密算法AESAES是分組模式CBCCBC是密鑰長(zhǎng)度16 字節(jié)16 字節(jié)是填充方式PKCS7PKCS7是用這種方法可以快速驗(yàn)證 AI 輔助分析鏈路是否可靠。6. 接口 API 與批量任務(wù)6.1 基于 OpenAI 兼容接口的調(diào)用分析單個(gè)方法效率不高。真實(shí)場(chǎng)景下你可能有幾十個(gè)方法要看。所以需要批量調(diào)用。準(zhǔn)備一個(gè) JSON 文件里面是待分析的方法片段[ { method_name: encryptPayload:key:, pseudocode: undefined8 -[CryptoTool encryptPayload:key:]..., class_name: CryptoTool }, { method_name: decryptPayload:key:, pseudocode: undefined8 -[CryptoTool decryptPayload:key:]..., class_name: CryptoTool } ]Python 批量分析腳本import json import time from openai import OpenAI client OpenAI( api_keyyour-api-key, base_urlhttps://api.openai.com/v1, ) with open(methods.json, r, encodingutf-8) as f: methods json.load(f) results [] for item in methods: prompt f 分析以下 Objective-C 方法的偽代碼返回 JSON 格式 {{function: 簡(jiǎn)要功能, algorithm: 使用算法, params: 參數(shù)說(shuō)明, risk: 潛在風(fēng)險(xiǎn)}} 類名{item[class_name]} 方法名{item[method_name]} 偽代碼{item[pseudocode]} try: response client.chat.completions.create( modelgpt-4o, messages[{role: user, content: prompt}], temperature0.2, ) content response.choices[0].message.content results.append({ method_name: item[method_name], analysis: content, }) print(f已完成: {item[method_name]}) except Exception as e: print(f失敗: {item[method_name]}, 錯(cuò)誤: {e}) time.sleep(1) # 控制請(qǐng)求頻率 with open(results.json, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2)這個(gè)腳本會(huì)遍歷所有方法逐個(gè)請(qǐng)求大模型分析并把結(jié)果保存到results.json。6.2 批量任務(wù)隊(duì)列設(shè)計(jì)批量分析時(shí)需要注意建議使用異步調(diào)用。控制并發(fā)數(shù)量建議 5~10 并發(fā)。對(duì)失敗的請(qǐng)求做重試。按類分組避免單個(gè)類方法過多導(dǎo)致上下文超長(zhǎng)。給每個(gè)請(qǐng)求加超時(shí)時(shí)間防止阻塞。import asyncio import aiohttp async def analyze_method(session, method, semaphore): async with semaphore: # 調(diào)用大模型 API 的異步邏輯 pass簡(jiǎn)單的并發(fā)控制可以直接用 Python 的ThreadPoolExecutorfrom concurrent.futures import ThreadPoolExecutor def process_method(item): # 單個(gè)方法分析邏輯 pass with ThreadPoolExecutor(max_workers5) as executor: executor.map(process_method, methods)6.3 本地模型 API 啟動(dòng)方式如果使用 OllamaAPI 地址是http://127.0.0.1:11434/v1在 OpenAI SDK 里只需要改 base_url 和 api_keyclient OpenAI( api_keyollama, base_urlhttp://127.0.0.1:11434/v1, )請(qǐng)求只發(fā)到本機(jī)代碼片段不會(huì)外傳。這是處理敏感代碼時(shí)的首選。7. 資源占用與性能觀察7.1 本地大模型顯存占用怎么觀察在 macOS 上可以用sudo powermetrics --samplers gpu_power -i 1000查看 GPU 占用不過更直接的方式是看活動(dòng)監(jiān)視器的內(nèi)存標(biāo)簽頁(yè)。在 Linux 上觀察顯存nvidia-smi8G 顯存的 NVIDIA 顯卡跑 7B 量化模型沒問題但批量分析時(shí)一旦并發(fā)數(shù)量超過 4顯存會(huì)明顯升高。如果遇到顯存不足可以換更小的模型比如 3B 或 1.5B。降低上下文長(zhǎng)度。改請(qǐng)求 API 模式減小本地壓力。7.2 CPU 推理 vs GPU 推理本地大模型在 CPU 上也能跑但速度慢得多。7B 模型在 M1 Pro 上大概每秒生成 10~15 個(gè) token在 Intel Mac 上更慢。GPU 推理通?？?3~5 倍。如果只是分析短片段CPU 推理也能接受。但如果是批量分析幾十個(gè)方法GPU 幾乎是必須的。7.3 批量任務(wù)對(duì)資源的影響批量任務(wù)對(duì)資源的消耗主要體現(xiàn)在API 模式主要是網(wǎng)絡(luò)帶寬和 API 調(diào)用額度。本地模型模式顯存占用隨并發(fā)數(shù)線性增長(zhǎng)。逆向工具本身Ghidra 對(duì) 100M 以上的二進(jìn)制做自動(dòng)分析會(huì)占用大量?jī)?nèi)存。建議先小批量測(cè)試比如只分析 5 個(gè)方法觀察耗時(shí)和資源占用再?zèng)Q定是否擴(kuò)大到全量。8. 常見問題與排查方法問題現(xiàn)象可能原因排查方式解決方案class-dump 導(dǎo)出為空App 被加密或目標(biāo)不是 Objective-C 編寫檢查二進(jìn)制是否被保護(hù)用file命令查看類型對(duì)自研 App先確認(rèn) Archive 產(chǎn)物未加密Ghidra 導(dǎo)入后看不到方法名Objective-C 元數(shù)據(jù)被剝離或二進(jìn)制是 Swift 編寫查看 Symbol Table 和 Objective-C 分類使用 class-dump 補(bǔ)充頭文件信息AI 分析結(jié)果明顯錯(cuò)誤偽代碼上下文不足或模型能力不夠增加方法調(diào)用上下文提供類名和調(diào)用者信息重新提取更大的偽代碼片段請(qǐng)求 API 報(bào)超時(shí)網(wǎng)絡(luò)問題或請(qǐng)求內(nèi)容過長(zhǎng)檢查網(wǎng)絡(luò)連通性縮短文本長(zhǎng)度調(diào)整超時(shí)時(shí)間或拆分方法批量任務(wù)跑到一半卡住某個(gè)請(qǐng)求返回異常數(shù)據(jù)打印每個(gè)請(qǐng)求的日志定位到具體方法加異常捕獲和重試機(jī)制本地模型顯存不足模型太大或并發(fā)過高nvidia-smi 查看顯存占用換小模型降低并發(fā)Python 腳本報(bào) 401API Key 無(wú)效檢查環(huán)境變量重新配置 key8.1 依賴安裝失敗如果pip install openai失敗先檢查 Python 版本python3 --version需要 3.9 以上。如果版本太低用 Homebrew 升級(jí)brew install python3.118.2 模型文件缺失使用 Ollama 時(shí)如果模型沒拉全啟動(dòng)時(shí)會(huì)報(bào)錯(cuò)。重新拉取即可ollama pull qwen2.5-coder:7b8.3 端口沖突如果 Ollama 默認(rèn)端口 11434 被占用lsof -i :11434找到占用端口的進(jìn)程或者修改 Ollama 配置換端口。8.4 輸出質(zhì)量不穩(wěn)定同一個(gè)偽代碼片段AI 可能有時(shí)分析對(duì)有時(shí)分析錯(cuò)。推薦做法把溫度參數(shù)調(diào)到 0.1~0.2。在 prompt 里給一個(gè)示例輸出格式。多次運(yùn)行取多數(shù)一致的結(jié)果。9. 最佳實(shí)踐與使用建議9.1 建立一套標(biāo)準(zhǔn)分析流程不要每次憑空開始把分析流程模板化獲取產(chǎn)物 - class-dump 導(dǎo)出頭文件 - Ghidra 反匯編 - 選擇關(guān)鍵方法 - AI 批量分析 - 人工復(fù)核這套流程固定下來(lái)之后新項(xiàng)目只需要替換二進(jìn)制路徑其他步驟都復(fù)用。9.2 分目錄管理材料建議目錄結(jié)構(gòu)proj/ app/ # App 二進(jìn)制和 ipa headers/ # class-dump 輸出 ghidra/ # Ghidra 工程文件 prompts/ # 分析提示詞模板 results/ # AI 分析輸出 scripts/ # Python 批處理腳本9.3 保留一份最小可運(yùn)行配置在項(xiàng)目里放一個(gè)requirements.txtopenai1.0.0 requests2.31.0再放一個(gè)analyze_one.py只做單方法分析。后續(xù)遇到新方法直接改路徑跑腳本不用再重新配置環(huán)境。9.4 批量任務(wù)要加日志和失敗重試批量分析最容易出問題的是中途某個(gè)請(qǐng)求失敗導(dǎo)致整個(gè)任務(wù)中斷。每個(gè)方法分析成功或失敗都要寫好日志。9.5 接口服務(wù)要限制訪問范圍如果開了本地 API 服務(wù)注意監(jiān)聽地址# 只允許本機(jī)訪問 ollama serve --host 127.0.0.1不要暴露到公網(wǎng)。9.6 合規(guī)紅線要刻在流程里每接到一個(gè)新二進(jìn)制先確認(rèn)權(quán)益歸屬檢查項(xiàng)確認(rèn)結(jié)果是否是自己開發(fā)的 App是 / 否是否有版權(quán)授權(quán)是 / 否是否包含第三方敏感數(shù)據(jù)是 / 否分析結(jié)果是否用于非法用途是 / 否只要有一項(xiàng)不滿足就不該繼續(xù)。10. 總結(jié)與下一步AI 輔助 iOS 應(yīng)用分析這件事本質(zhì)上解決的是“讀代碼”的效率問題。傳統(tǒng)逆向工作中最耗時(shí)間的部分不是打開 Hopper 或 Ghidra而是面對(duì)幾百個(gè)方法時(shí)如何快速判斷哪些值得深挖、每個(gè)方法到底在干嘛。大模型在第一層粗篩上確實(shí)強(qiáng)能把“讀偽代碼”的時(shí)間從幾小時(shí)壓縮到幾分鐘。但注意AI 目前只能做輔助最終對(duì)算法正確性的判斷、對(duì)協(xié)議格式的確認(rèn)仍然需要人工對(duì)照源碼或做動(dòng)態(tài)驗(yàn)證。如果你想繼續(xù)深入建議按這個(gè)順序推進(jìn)先用一個(gè)自研的小應(yīng)用跑通全流程確認(rèn)工具鏈穩(wěn)定。批量分析所有類的頭文件建立類關(guān)系圖。針對(duì)核心類做偽代碼級(jí)分析讓 AI 輸出結(jié)構(gòu)化結(jié)果。對(duì)高價(jià)值函數(shù)做動(dòng)態(tài)調(diào)試驗(yàn)證。最后把整套流程沉淀成腳本模板方便以后復(fù)用。整個(gè)鏈路里最容易踩的坑有三個(gè)一是對(duì)象不合法拿到手的二進(jìn)制沒有版權(quán)授權(quán)后面再專業(yè)也是白搭二是 Ghidra 自動(dòng)分析不完整導(dǎo)致偽代碼缺上下文AI 再聰明也猜不完整三是批量任務(wù)沒有日志和重試跑到一半掛掉整個(gè)任務(wù)作廢。把這三個(gè)問題先解決你的 AI 輔助分析流程就穩(wěn)了。