REA 全名 Reverse Engineer Anything，本质是一个围绕 MCP（Model Context Protocol）协议搭建的"逆向分析工具市场"。每个工具负责一种目标（网站 / 二进制 / Electron / APK / 固件 / EVM 字节码等），AI Agent 拿到自然语言指令后，自动挑选合适工具、把每次发现带证据地告诉你。
如果你是 Claude Code、Cursor 或者 Copilot 的重度用户，你有没有过这种时刻：刷到一个 App，想搞清楚"它到底怎么实现的"，却只能靠肉眼猜？现在，一个叫 REA 的开源项目，把这件事从体力活变成了「问一句话就行」——而且支持从 App、网页、二进制、固件到 APK 的全平台逆向。
读完这篇你能带走：REA 到底是什么、能用在哪些"听起来不可能"的任务、为什么今天它会突然爆、以及怎么十分钟装到自己的 Claude Code / Cursor 里用起来。文末给你一个落地参考。
一、REA 是什么：一个给 AI Agent 用的"逆向工具箱"
从结构上看，REA 是一个 TypeScript 写的 MCP Server——一旦你把它注册到 Claude Code 或 Cursor，AI 多了一组"能调用的逆向工具"。当你用自然语言提问，比如"Notes App 的搜索功能是怎么实现的"，Agent 会自动：
- 拆解你的提问，识别目标（macOS Notes App → 走 Hopper/Ghidra/IDA 反编译伪代码和汇编）
- 调用 REA 提供的对应 Inspector 工具，把分析过程跑在本地
- 基于工具返回的"带证据的结论"给你解释原理，甚至直接帮你生成一份类似的参考实现
关键点：所有分析在本地跑，不上传目标文件。这对处理商业项目或敏感代码尤其重要。
1.1 它能逆向什么（覆盖范围）
- 原生二进制：反编译伪代码、汇编、字符串、调用关系（依赖 Hopper/Ghidra/IDA）
- JavaScript / Electron：模块、import 关系、Electron 边界、source map
- .NET 程序集：元数据、CIL 指令、依赖关系
- 网站：页面结构、脚本、网络请求、截图
- Android APK：Manifest、反编译方法、引用
- 固件：区域提取、binwalk/Unblob 集成
- EVM 字节码：调度选择器、偏移、参数推导
- 进程行为：终端输出、文件系统观察、运行时比较
从覆盖范围看，这几乎是目前"AI 能拿来逆向"的最广栈。
二、为什么今天会爆：五个核心技术亮点
2.1 MCP 深度集成，主流 Agent 全兼容
MCP（Model Context Protocol）是 Anthropic 去年推出来的"Agent 调用外部工具"标准协议。REA 不是简单支持 MCP，而是围绕 MCP 构建了完整的工具生态：Claude Code、Copilot、Cursor、Codex 等主流 AI Coding 工具都能注册为它的客户端。一次安装，全员通用。
2.2 Evidence-based 结论范式：每个回答带证据
传统逆向工具只返回原始数据（二进制流、字符串表、调用图），你需要自己看、自己总结。REA 的设计原则是：每个结论都附带源码级或汇编级的证据，外加局限性说明。这等于把"AI 幻觉"问题在工具层面硬性约束了——Agent 不再凭空猜测。
2.3 多平台统一接口：写一次 workflow 覆盖所有目标
同一套提问方式，对网站、App、二进制、固件都有效。你不需要为每种目标学一套不同的逆向工具——AI 帮你做了抽象。
2.4 安装极简：一行命令搞定
npx rea-agents setup这一行命令会自动：注册 REA MCP Server，写好 workflow 配置文件，重启你的 AI Agent——通常十几秒结束。
2.5 本地优先 + 隐私友好
所有分析在你自己的机器上跑，目标文件不上传。这对当前"AI 隐私焦虑"的氛围几乎是最佳回应，也让它能在企业安全场景里被接受。
三、它能解决的真实问题（应用场景）
3.1 产品灵感挖掘：竞品某个功能怎么做的？
看到 Notion 的 AI 搜索、Spotify 的推荐流、Figma 的协作编辑，单纯靠猜实现思路的时代结束了。丢一句"告诉我 Figma 的实时协作是怎么做的"给 Claude Code，REA 会拉相关二进制 / 脚本，给你看具体的协议实现。
3.2 兼容性开发：仿制某个系统调用的行为
Linux 桌面要复刻 macOS Notes 的搜索？Windows 要兼容某个 Mac-only 的快捷键？把目标 App 丢给 REA，逆向出核心算法，本地复刻——比读文档重新实现快得多。
3.3 安全研究：固件 / 二进制漏洞分析
嵌入式设备固件、IoT 协议、各种二进制形态的可疑样本——REA 的固件提取 + binwalk/Unblob 集成，加上 Agent 自动推导调用关系，能把过去需要几天的固件分析压缩到几小时。
3.4 电商从业者：抄一份竞品活动页面？
看上一个拼多多 / 天猫活动页的复杂交互（库存倒计时 + 优惠券叠加 + 一键加购），想让自己的店铺复刻一份——REA 抓页面结构、抓脚本、生成截图，Agent 基于这些直接生成兼容模板，比从零设计快。
四、跟同类工具相比，REA 有什么不同
为什么不是直接用 Ghidra、IDA、Hopper？那些是顶级专业工具，但有两个痛点：
- 学习曲线陡：普通开发者上手要几周
- 纯工具不解释：返回原始数据后，你要自己看、自己总结
REA 不是要替代那些工具，而是把它们"包"进 AI 工作流里——你用自然语言描述意图，AI 帮你选工具、跑分析、解释结论。等于把逆向从"专业活"变成"普通开发者也能借力的日常活"。
五、手把手装起来用
5.1 一键安装
npx rea-agents setup默认会自动识别你已经装的 Agent（Claude Code / Cursor / Copilot / Codex），注册 MCP Server，并写入示例 workflow 配置。
5.2 第一次提问
重启你的 AI Agent（Claude Code / Cursor / …），它会多出一组 REA 工具，比如 rea_analyze_binary / rea_analyze_website / rea_analyze_apk。试着问：
"告诉我某网站首页的 /api/rank 这个接口返回结构"
Agent 会调起 REA 的网站 Inspector，抓网络请求，抓页面脚本，给你接口结构 + 数据示例 + 关键字段说明。这件事过去需要手动开 Chrome DevTools 半小时。
六、局限性与适用边界
尽管它覆盖广，仍有几类场景不太适合：
- 商业强加密 / 反调试保护的 App：逆向成本极高，REA 工具链不一定能突破；这种情况下需要专门的安全公司
- 纯文本代码阅读场景：你只是想读 README、看源码，直接读 GitHub 比逆向快
- 性能敏感场景：REA 工作流涉及多次 LLM 推理，不适合做"低延迟实时分析"
一句话总结：REA 不是"灵丹妙药"，而是把"专业活儿"门槛拉低的工具。如果你是为了逆向某几个常见目标，对它来说刚刚好。
七、落地参考
如果你想让 REA 配合你现有的 AI 工作流：
- 先用
npx rea-agents setup把它装到 Claude Code 或 Cursor - 找一个你想理解的目标 App（开源软件 / 自己的旧项目 / 想复刻的竞品功能）
- 问 AI 一句"它是怎么做 X 的"——看它调起 REA，给出带证据的解释
商业化项目里，你可以把 REA 当成"内部代码考古"工具——历史老旧系统没人愿意看？让 Agent 带着它跑一遍，输出结构化文档，比人工阅读快几倍。这也是许多电商团队在历史业务系统迁移时常用的路径。