文章总结： reverse-skill是一个GitHub上获得1.9万星的开源项目，旨在为AI提供逆向工程的任务路由与执行规范。它通过全局规则、工具索引、证据链记录和经验库机制，解决AI在逆向分析中路径选择不当、工具环境未知及结论不可追溯的问题。项目覆盖移动端、二进制、Web安全及CTF等场景，支持多种代码AI客户端。建议用户在授权环境中先测试流程，以提升AI辅助逆向的工程化水平。 综合评分： 88 文章分类： 逆向分析,AI安全,安全工具,CTF,实战经验

GitHub 1.9 万 Star：这个项目让 AI 学会了做逆向

网络安全透视镜

2026年8月6日 23:26 新加坡

在小说阅读器读本章

去阅读

把一个 APK、二进制文件或前端加密参数扔给 AI，会发生什么？

第一轮回答通常很热闹：jadx、apktool、Frida、IDA、Ghidra、Burp Suite……工具名一个不少。

但真正开始分析后，问题很快就来了：

• 先做静态分析，还是直接动态 Hook？
• Java 层没有线索，要不要转向 Native so？
• 本机到底装没装工具，路径和版本是什么？
• 缺少依赖时，应该自动安装还是让用户手动处理？
• 分析得到的猜测，怎样变成可复核的证据和结论？

AI 往往不是“不会写命令”，而是不会判断此刻应该走哪条路。

最近看到的开源项目 reverse-skill，解决的正是这个问题。

截至 2026 年 8 月 6 日，它在 GitHub 已获得 19,635 Stars、2,688 Forks。整个仓库包含 84 个 SKILL.md，其中有 42 个 CTF 子技能。这个增长速度背后，反映的是一个很真实的需求：大家需要的已经不只是更强的模型，而是一套能约束模型、指导模型干活的方法论。

它不是工具箱，而是 AI 的“逆向导航”

很多安全项目的思路是：把常用工具收集到一起，再配一份命令手册。

reverse-skill 不太一样。

它没有试图重新造一个 jadx、Frida 或 IDA，而是站在这些工具上面，增加了一层任务路由与执行规范。

它的核心链路可以简化为：

用户任务   → 全局规则   → 判断任务类型与主 Skill   → 建立授权范围和案例目录   → 检查本机工具链   → 调用对应工具执行   → 记录证据、结论和路径   → 生成报告并沉淀经验

换句话说，它不是替 AI “做逆向”，而是在回答五个更基础的问题：

这是什么任务？应该走哪套方法？本机能用什么？过程如何留痕？经验怎样复用？

这才是它最有价值的地方。

第一层：先分流，再动工具

遇到 APK 时，项目会把任务路由到 Android 逆向流程；遇到前端签名与加密参数，会进入 JS 逆向；遇到 PE、ELF、so 或 dll，则可以转向 IDA、Ghidra、radare2 或通用二进制分析。

如果任务是 .NET、固件、恶意软件、协议、浏览器扩展、Go/Rust 二进制、补丁差分、Pwn 或 CTF，它也有对应入口。

这个设计看起来简单，实际很重要。

因为不同目标需要的不是同一套“万能提示词”。分析 APK 的上下文、工具和交付物，与分析前端 JS 或固件完全不同。把所有资料一次性塞给模型，只会增加噪声；先确定主路径，再按需加载对应 Skill，才更接近工程实践。

第二层：让 AI 认识你的电脑

AI 辅助安全分析还有一个常见问题：模型知道工具，却不知道你的机器上有没有。

于是它很容易编出一个不存在的路径，调用一个没有安装的命令，或者忽略不同操作系统之间的差异。

reverse-skill 会先生成本机工具索引，记录可用工具、真实路径和状态。工作流需要某项能力时，再根据清单按需补齐依赖。

目前项目提供 Windows、Kali Linux、Ubuntu/Debian 和 macOS 的接入路径，覆盖 PowerShell 与 Shell 脚本。jadx、apktool、Frida、radare2、Ghidra MCP、Nmap 等能力可以按清单处理；涉及 IDA、JEB 这类商业软件时，仍然遵守许可要求，不会假装“一键免费安装”。

这种边界感值得肯定：自动化可以减少配置成本，但不应该绕过授权和软件许可。

第三层：不只给答案，还要留下证据链

安全分析最怕一种结果：AI 给出了一个听起来很合理的结论，却没人知道它根据什么得出。

reverse-skill 在执行层加入了几个很实用的约束：

• 在接触目标前明确授权状态和网络范围；
• 用时间线与工作项记录过程；
• 用“Evidence → Finding → Path”组织证据、发现和攻击/分析路径；
• 在任务结束后生成报告或 writeup。

这意味着输出不只是“我觉得这里有问题”，而是尽量变成：我观察到了什么，得出了什么结论，结论之间怎样连成一条可复核的路径。

对于企业安全测试、漏洞复现、样本分析和团队协作，这比多生成几条命令更有价值。

第四层：把踩过的坑变成下一次的起点

项目里还有一套 field-journal 机制。

每次任务完成后，可以把已经脱敏的经验、失败路径和有效方法写回经验库。下一次遇到相似目标，AI 先查已有记录，再决定怎么走。

这里所谓的“自进化”，并不是模型自己突然变聪明了，而是把原本散落在聊天记录、临时笔记和个人记忆里的经验，变成可检索、可复用的工程资产。

我很喜欢这个思路。

提示词通常是一次性的，流程、证据和经验库才是可以长期复利的东西。

如果分析一个 APK，它会怎么工作？

假设你给 AI 一个经过授权的 APK，希望定位接口签名逻辑。

传统对话可能从“建议用 jadx 看一下”开始，然后在多轮交流里逐渐丢失上下文。

使用 reverse-skill 后，理想流程会更像这样：

1. 识别目标是 Android APK，主路由进入 apk-reverse；
2. 建立案例目录，确认授权范围并记录任务目标；
3. 检查 Java、jadx、apktool、ADB、Frida 等本机能力；
4. 先做基础侦察和静态分析，定位网络层、签名入口及 Native 调用；
5. 静态证据不足时，再进入动态 Hook 或抓包验证；
6. 把关键样本、观察结果、函数路径和结论写入时间线；
7. 最后生成可复核的分析报告，并沉淀脱敏经验。

工具还是那些工具，但决策顺序、上下文和交付质量完全不同。

覆盖范围比“逆向”两个字更大

从仓库内容看，reverse-skill 已经不只是狭义的逆向工程集合，它覆盖了几大类场景：

• 移动端与客户端

  ：APK、iOS、.NET、浏览器扩展、厚客户端；

• 二进制分析

  ：IDA、Ghidra、radare2、Go/Rust、恶意软件、反混淆；

• Web 与协议

  ：前端 JS、API、GraphQL、自定义协议、抓包重放；

• 安全研究

  ：固件、供应链、云与容器、数字取证、代码审计；

• 竞赛与交付

  ：40+ CTF 子技能、Pwn、图表、报告和 writeup。

它支持 Claude Code、Codex CLI、Cursor、Cline、Windsurf、Kiro 等代码 AI 客户端。只要客户端能够读取项目文件、执行本地命令，就可以把这套路由包当成外部工作流使用。

三分钟上手

先克隆项目：

git clone https://github.com/zhaoxuya520/reverse-skill.git cd reverse-skill

然后在你的代码 AI 客户端中告诉它：

请先完整阅读 README_AI.md，按照当前操作系统完成初始化。 初始化后告诉我：已经识别到哪些工具、缺少哪些工具， 以及我的任务会被路由到哪个 Skill。

项目会根据系统选择对应脚本，生成本机工具索引，再进入后续路由。

第一次使用时，建议不要急着上真实目标。先在自有样本、CTF 题目或明确授权的测试环境里跑通流程，同时检查脚本行为、依赖来源和网络边界。

靠谱，不掺水AI中转， 关注微信公众号，后台回复  中转站

它适合谁？

如果你属于下面几类人，这个项目很值得研究：

• 已经在用 AI 做 APK、JS 或二进制分析，但流程经常跑偏；
• 本地安全工具很多，却缺少统一入口和可复用 SOP；
• 想把个人逆向经验沉淀成团队能复用的 Skills；
• 在做 CTF、安全研究或授权测试，希望 AI 输出更可追溯；
• 正在研究 Agent、MCP 与传统安全工具如何真正结合。

但也要说清楚：它不是“不会逆向也能一键出结果”的魔法工具。

Skill 能帮助 AI 选路、约束流程、调用工具，却不能替代对汇编、操作系统、网络协议和程序运行机制的理解。环境配置、商业软件许可、样本风险隔离，也依然需要使用者负责。

为什么这个项目值得关注？

过去大家优化 AI，往往盯着模型、提示词和上下文长度。

reverse-skill 提供了另一个方向：把领域专家的判断拆成路由，把工具环境做成索引，把过程变成证据链，再把完成后的经验写回知识库。

模型会更新，工具会变化，但这套工程思路不会很快过时。

真正能让 AI 从“会聊天”走向“会干活”的，可能不是一句更神的提示词，而是一套清晰、可执行、可复盘的工作流。

项目地址

github.com/zhaoxuya520/reverse-skill

建议先收藏，再挑一个自己最熟悉的场景实际跑一遍。只有真正执行过，你才能看出它解决的是哪部分问题，又有哪些地方值得按自己的工作方式继续改造。

如果你也在关注 AI + 安全、逆向工程、Agent Skills，可以关注本号。后面我会继续拆解其中几个有代表性的工作流，看看 AI 到底能把安全分析推进到哪一步。

本文仅讨论合法授权范围内的逆向工程、安全研究与竞赛学习。请遵守所在地法律法规、目标授权边界及第三方软件许可。

AI + 安全 · 逆向工程 · Agent Skills

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：网络安全透视镜 《GitHub 1.9 万 Star：这个项目让 AI 学会了做逆向》