文章总结： 腾讯科恩实验室发布BinaryAI全新升级，通过AICoding构建BinaryQuery反编译器，并基于WMA平台打造BinaryAIAgent，以对话式交互降低二进制安全分析门槛。该平台专为恶意样本分析设计，预置恶意行为分析、Payload解析和漏洞利用分析等工作流，旨在让分析更快更准更高效。目前内测已开放，邀请安全从业者参与共建。 综合评分： 80 文章分类： 二进制安全,恶意软件,AI安全,安全工具,逆向分析

---

BinaryAI 全新升级：让二进制安全分析进入 AI-Native 时代

腾讯科恩实验室 腾讯科恩实验室

腾讯安全威胁情报中心

2026年8月25日 14:12 上海

在小说阅读器读本章

去阅读

让二进制安全分析 进入 AI-Native 时代

恶意样本分析是二进制安全工作中最高频、最关键的一环——从木马病毒、挖矿勒索到 APT 对抗，从漏洞挖掘到利用分析，每一起真实的安全事件背后，都是一次与二进制样本的正面对抗。我们打造了新一代二进制分析平台 BinaryAI，专为恶意样本分析而生，让分析更快、更准、更高效。

引言

二进制安全的技术困境

对于二进制安全从业人员来说，日常分析工作中始终绕不开两个核心痛点：

💰 使用成本高

高昂的授权费用让多数从业者望而却步。传统工具通常不支持云端部署，交互接口与产品形态也已明显无法跟上 Agent 时代的对接要求。

🧠 技术门槛太高

从字节码反向推导程序的原始行为逻辑，能熟练掌握这项技能的从业者凤毛麟角，但二进制分析在实际工作中的应用却无处不在。

借助 AI Agent 时代的种种突破，我们对 BinaryAI 进行了一次全面焕新：

BINARY QUERY

一款能与业界标杆正面对标的二进制安全分析工具，完全由 AI Coding 驱动。团队重心从逐行实现细节，转向架构设计和 Coding Loop 的深度优化。

BINARYAI AGENT

基于 Workbuddy Managed Agents（WMA） 的云端二进制分析 Agent，大幅降低使用门槛。用户通过对话与 Agent 交互，即可完成分析并获取结果。

PART 01

Binary Query：AI Coding 的力量

Binary Query（简称 BQ）是整个 BinaryAI 体系的基石。它不只是一个反编译器，更是一个实验场——我们用 AI Coding 的方式，从头构建了一个能与业界标杆正面对标的二进制安全分析工具。

架构设计：更易于 AI 理解的反编译器架构

Binary Query 使用 Rust 的强类型特性来约束 AI；通过精简和调整传统反编译结构、保留 MIR 与 LIR，让整体架构对 AI 更易于理解、易于修改：

二进制文件 → loader → disasm → lift (MIR) → analysis (LIR) → lang + codegen → 源码

输入层

bq-loader / bq-arch-*：解析 ELF / PE / Mach-O，按架构反汇编，提升为机器无关的中间表示。支持 x86、ARM、RISC-V。

分析层

bq-analysis / bq-pipeline：控制流图重建、SSA 构造、数据流分析、类型推导。跨函数分析使用 Datalog 规则引擎。

输出层

bq-lang-* / bq-db：检测原始源代码语言（C、C++、Go、Rust、Zig），生成符合原始语言习惯的代码。

AI Coding：减少人的介入，让 Agent 自己跑起来

研发的核心工作从写代码，变成了设计 Agent 指令和自迭代循环。真正要做的，是把人从迭代循环里剥离出去。

评测 用 Fuzz 替代人眼评测

反编译没有标准答案，但行为等价可量化——反编译结果重新编译、重新运行，输出跟原二进制一致就对。测试用例由 csmith 等 fuzzer 随机生成，数量充足，评测完全自动化。

图 1 · Fuzz 驱动的自动化评测流程

定位 用 Interpreter 把”错了”变成”错在哪”

端到端测试只能说”对不上”，说不出哪个步骤出错。我们在 IR 层加了一个 interpreter，每个 pass 前后各执行一遍、比对语义，第一次对不上的 pass 就是根因。

图 2 · IR 层 Interpreter 精确定位失败 pass

Agent 获得的是精确定位到具体 pass 的失败信息，自主修复、自主验证——通过则一个 Bug 对应一次 Commit，未通过则继续迭代修复。人只做一件事：确认最终结果。

PART 02

BinaryAI Agent：WMA 之上构建 Environment

直到出现了 Workbuddy Managed Agents（WMA） 这样的通用 Agent 控制面，BinaryAI NG 才有了可能。它承载了 Agent Loop、Runtime、调度、安全、隔离等复杂模块，BinaryAI 得以专注于”如何应用 Agent 解决用户的问题”。

图 3 · BinaryAI Agent 整体架构

抽象分析操作：连接 Agent 与二进制文件

传统二进制安全分析工具是为人类分析师设计的：交互式界面、多级菜单、手动标注。Agent 不需要这些——它需要确定性的输入输出、简单的命令行接口、明确的退出码和超时机制。我们为 Agent 重新设计了一套 CLI：

Agent 可用的原子操作

📄 文件概览 bq info

这个文件是什么格式、什么架构

📋 函数列表 bq functions

有哪些函数可以分析

🔤 反编译 bq decompile <fn>

把这个函数还原成 C / Rust / Go 源码

⚙️ 反汇编 bq disasm <addr>

看看这个地址的汇编指令

🔗 交叉引用 bq xrefs <addr>

谁调用了这个函数，这个函数调用了谁

🔍 字符串提取 bq strings

文件里有哪些可疑字符串

💾 十六进制 bq hex <addr>

看一下这块内存区域

光有命令行还不够。这套编排知识被编码在 Binary Query 的 SKILL.md 中——一份 103 行的 Agent 操作手册：

端到端示例：一次典型的样本分析

bq create /path/to/binary bq info –target /path/to/binary bq functions –target /path/to/binary –filter “read|write” bq decompile main –target /path/to/binary bq strings –target /path/to/binary –min-length 8 –filter “http” bq xrefs main –target /path/to/binary

Skill 还会告诉 Agent：--filter 要逐步收紧，不要一次 dump 所有函数；disasm 找不到函数时用 decode 代替；反编译前必须先 bq create 建立分析数据库。这些本来需要人类分析师积累的经验，现在被编码进 Skill——Agent 装上去就会。

Prompt 提示与约束：连接 Agent 与用户输入

System Prompt：边界和约束。 Agent 在没有明确指令时会遍历文件系统、反复重试失败的 API、用 shell 直接调 HTTP 接口。System Prompt 用最少的文字划出最硬的边界：工作区在哪、分析工具怎么调、哪些事不能做。每条都是硬约束，都对应一次 Agent 曾浪费 Token 的教训。

预置 Skill：让 Agent 知道怎么做二进制安全分析。 通用代码 Agent 拿到二进制文件，第一反应是 file 看一下，然后就卡住了。我们预置的 skill 内置了三条工作流：

① 恶意行为分析

识别文件格式 → 搜索可疑字符串 → 定位敏感 API → 反编译关键函数 → 输出行为摘要

② 关键 Payload 解析

解析文件结构 → 定位加密 / 压缩数据段 → 追踪解密函数 → 反编译解密逻辑 → 提取并还原 Payload

③ 漏洞利用分析

反编译目标函数 → 追踪输入到漏洞触发点的数据流 → 定位缺失的边界检查 → 分析利用原语

用户不需要说”先看字符串，再看导入表，然后反编译”——一句 “分析这个样本的恶意行为”，Agent 按 Skill 走，每一步都知道该干什么、结果怎么解读。

QUICK START

一分钟快速上手

直接上传样本，用一句话开始分析——完整体验请看下面这段演示视频。

已关注

关注

重播 分享 赞

关闭

观看更多

更多

退出全屏

切换到竖屏全屏退出全屏

腾讯安全威胁情报中心已关注

分享视频

，时长00:57

0/0

00:00/00:57

切换到横屏模式

继续播放

[ ]

进度条，百分之0

播放

00:00

/

00:57

00:57

倍速

全屏

倍速播放中

0.5倍0.75倍1.0倍1.5倍2.0倍

超清流畅

继续观看

BinaryAI 全新升级：让二进制安全分析进入 AI-Native 时代

观看更多

转载

,

BinaryAI 全新升级：让二进制安全分析进入 AI-Native 时代

腾讯安全威胁情报中心已关注

分享点赞在看

已同步到看一看写下你的评论

视频详情

ROADMAP

下一步：Dream Big, Build Solid

在将 BinaryAI 投入生产使用的过程中，我们发现了非常多的优化改进空间。经过反复思考，我们确定了三个最重要的目标，需要依次达成：

1 更精确的评测基准

基于真实业务场景，发布一套面向二进制安全分析的自有 Benchmark，准确评估 BinaryAI Agent 的能力。

2 更先进的分析工具

实现从汇编指令到 Rust、Golang 等现代编译型语言的原生反编译能力，应对日益复杂的真实分析场景。

3 更高效的模型

针对二进制分析这一垂直任务做专项模型优化，在保证分析质量的前提下，提供更低延迟、更低成本的体验。

— 内测开放中 —

加入 BinaryAI 内测

我们已开放邀请内测，欢迎二进制安全从业者与我们一起共建

💬 加入交流群获取内测方式

📱 扫码加入 BinaryAI 交流群

若群已满，微信搜索添加 keenlab 为好友，发送 “BinaryAI 交流群”，小助手会拉你入群。

与我们一起探索 AI-Native 的 二进制安全分析工作流

---

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：腾讯安全威胁情报中心 腾讯科恩实验室 腾讯科恩实验室《BinaryAI 全新升级：让二进制安全分析进入 AI-Native 时代》