reverify（经验证的逆向工程：确定性工具兜底的 AI RE）

📅 2026-08-31 创建（约 3 天 ⭐ 583） | 🏷️ 🧰 值得研究的仓库 | ⭐ 583（7 天爆发窗口）
🔗 原文：https://github.com/2akouwu/reverify
💬 语言：Python

是什么

一个"经验证的逆向工程（Verified Reverse Engineering）"工具：让 AI 做逆向分析，但所有结论必须对照真实二进制进行确定性校验——结果以二进制为准，而不是模型说了算。仓库创建仅约 3 天即收获 583⭐，是本期 GitHub 7 天爆发窗口中增速最高的项目之一。

为什么值得架构师关注

它示范了一个正在成型的架构模式：LLM 负责假设生成，确定性工具负责事实裁决。逆向工程是幻觉代价最高的场景之一（错误结论直接进安全报告），这个模式同样可以移植到代码审计、配置核查、数据校验等任何"AI 结论需要可证明"的场景。对企业而言，这是把 AI 引入安全与合规流程的前提条件——结论不可验证的 agent 不能进生产链路。

核心内容

• "结果对照二进制，而非幻觉"：核心卖点直指 AI 逆向工程的最大痛点——模型自信地输出看似合理但无法复现的结论；所有 AI 判断回落到确定性工具的实测结果。
• LLM + 确定性工具的分工范式：AI 承担高成本的假设空间探索，传统确定性分析器承担最终真值判定，两者各就其位。
• 增速极高：创建约 3 天 583⭐（日均近 200⭐），说明"可验证 AI 结论"击中了行业普遍焦虑。
• Python 实现，便于嵌入现有安全工具链或 CI 流程做二次开发。

行动建议

• 安全团队可克隆试用，用它评估现有"AI 辅助逆向/审计"流程中的幻觉率：抽一批已知结论跑对照，量化差异。
• 更大的价值是模式移植：在自己领域的 agent 输出后面加一层确定性校验器（单测、类型检查、规则引擎、影子执行），把"可信度"从 prompt 工程问题变成架构问题。
• 注意评估其校验覆盖率：确定性工具只能验证它能执行/分析的部分，未被覆盖区域仍需人工抽查。