reverify · AI 工具图鉴

📌 核心价值：让字节为 AI 代理的每一个推断背书，反幻觉不再靠模型自觉

一个把"假设—验证—修正"做成闭环的开源工具，让 Claude Code/Cursor 在做二进制逆向时，每个断言都对得上真实字节。

封面图

🚀 什么是 reverify？

reverify 是一个面向 AI 代理的反幻觉验证框架，专门解决 LLM 在二进制分析场景下的"自信瞎编"问题。当 AI 代理尝试还原一个 PE 文件的函数结构、偏移量或反汇编指令时，它会基于训练先验自信地给出结果——而这些结果经常是错的。

reverify 的核心思路是分工反转：模型只负责提出假设（claim），一套由纯 Python 实现的确定性逆向工具箱充当裁判，对真实字节做反汇编、模式匹配、CPU 模拟执行，结论只有三种状态——VERIFIED（对得上字节）、REFUTED（字节不同意）、INCONCLUSIVE（工具无法判定）。每个判定都附带字节级证据：实际观察到的字节、SHA-256 接收、引擎版本号。

核心定位：把"验证"从模型的自觉变成工具的职责，结论必须对得上真实字节才算数。

GitHub 仓库：2akouwu/reverify（⭐ 891+，MIT，v0.9.0 已发布）

✨ 核心功能一览

功能对比表

🛠️ 5 分钟跑通：装上就能"提问 + 验证"

安装（纯 Python，开箱即用）

# 安装 CLI + MCP server（PyPI）
pip install reverify

# 安装可选后端引擎（推荐）
pip install "reverify[full]"   # capstone + unicorn + lief + z3
pip install "reverify[angr]"   # 函数边界 / 调用图 / 交叉引用

命令行试用（一条命令自动分诊任意二进制）

# 自动识别格式 + 架构 + 节区 + 关键字符串
reverify auto sample.bin --json

# 解析 PE32/PE32+ 头、导入导出
reverify parse-pe sample.exe --json

# 反汇编指定偏移（x86_64）
reverify disasm 90505831C0C0C3 --arch x86_64

# 让 Agent 自己跑：reconstruct 闭环
reverify reconstruct target.exe --goal "map the loader"

MCP 接入（让 Claude Code / Cursor 直接调用）

把 MCP server 挂到 Claude Code 或 Cursor 的 MCP 配置里，Agent 即可调用 re_verify_claim、re_parse、re_ledger 等工具：

# 启动 MCP server
python reverify/mcp_server.py

配置示例（Claude Code）：

{
  "mcpServers": {
    "reverify": {
      "command": "python",
      "args": ["-m", "reverify.mcp_server"]
    }
  }
}

注意：所有 verify 命令在出现 REFUTED 时退出码非零，可直接用作 CI 门禁。

📊 与常见方案对比

reverify vs 常见方案对比

一句话总结：reverify 把"软件工程里的测试即真相"原则搬进了 Agent 工作流——任何结论都必须经过字节级工具验证，模型越自信的工具调用越多，反而越难逃过验证。

💡 适用场景

演示 1：抓住 LLM 的"教科书级先验错误"

reverify 在 kernel32.dll 上抓到模型的教科书级先验错误

场景：让 AI 代理还原 kernel32.dll 的入口点 prologue（汇编开头几个指令）。

问题：模型从训练文本中拿到了强先验——push rbp; mov rbp, rsp; sub rsp, N（经典的栈帧 prologue）。它很自信地写下来。

reverify 介入：

第 1 轮：模型提交 ["push", "mov", "sub"] 的指令序列
工具读出真实字节：mov [rsp+8], rbx; push rdi; sub rsp, 0x20; mov edi, edx; mov rbx, rcx
状态：REFUTED —— 字节不同意
第 2 轮：模型基于字节证据修正为 MSVC x64 真实 prologue
状态：VERIFIED ✓ Grounded

实测结果：在 71 个真实 Windows DLL 上，教科书式猜测100% 失败（71/71），reverify 0 误判（从不放过一个错的，也从不冤枉一个对的）。

输入：PE/ELF/Mach-O 二进制 + Agent 的结构化假设（JSON 格式的 claim）输出：VERIFIED / REFUTED / INCONCLUSIVE + 字节证据

演示 2：CI 门禁——任何 REFUTED 直接 build 失败

场景：把二进制分析做成 CI pipeline，每次 PR 都跑回归。

# CI 里跑（任何 REFUTED 都让 exit code 非零）
reverify verify target.dll --claims-file claims.json
echo "exit=$?"  # 0=全部通过，>0=存在 REFUTED，build 红

关键证据：项目自身的 CI 在每次 push 时都跑 benchmark，任何已知错判都会让 build 失败。基准覆盖：

475 个已知-false claims → 0 假阳性 VERIFIED
全部已知-true claims → 0 漏检
Linux / macOS / Windows / aarch64 四平台交叉验证
夜间 fuzz 任务跑 2 万个畸形文件

输入：claims.json（声明列表）输出：exit code 0/非零 + 每条 claim 的 verdict 与证据

演示 3：跨会话"事实账本"——`/clear` 不丢已验证事实

场景：Agent 长任务做逆向分析，需要经过多次 /clear 或自动 compaction。

痛点：所有 Agent harness 都有一个共同缺陷——模型把整个 transcript 总结一下，丢掉的部分里有真有假，下次重开又被假结论"传染"。

reverify 解法：从 v0.8.0 开始，每次 verify round 都把已验证事实 + 已 refute 事实写到 .reverify/ledger/<sha256>.json（按文件 SHA-256 索引，副本共享账本）。压缩或 /clear 后重新挂载：

reverify reconstruct target.exe --goal "..."   # 自动从 .reverify/ledger/ 恢复
reverify ledger target.exe                     # 查看已建立事实 + KNOWN FALSE 列表
reverify ledger --hook                         # Claude Code SessionStart hook

关键设计：账本里只存工具验证/观察/证明/refute 的结论，模型自己说的话永远不被信任，所以重开 session 也不会把幻觉传染下去。

输入：二进制文件 + 历史会话输出：跨会话持久化的"已验证事实 + 已知错误"账本

用户群体总结

✅ 做恶意软件分析 / CTF / 互操作性研究的逆向工程师：一个编造的偏移量代价巨大，reverify 给出字节级证据
✅ 在 Claude Code / Cursor 里用 Agent 处理二进制任务的开发者：MCP server 即插即用
✅ 研究 Agent 可靠性 / 上下文工程的工程师："确定性工具当裁判、已验证事实跨上下文存活"是一个可推广范式
❌ 不适合：替代 Ghidra / IDA Pro——reverify 是 Agent 验证层，不是重型分析 GUI

💰 定价方案

完全免费 + 开源（MIT）。

核心（pure-Python）：pip install reverify 即可开箱，无需任何外部依赖
完整引擎（推荐）：pip install "reverify[full]" 自动加 capstone + unicorn + lief + z3
angr 语义层：pip install "reverify[angr]" 接入函数边界 / 调用图 / 交叉引用
SLSA build provenance：每个 release 都带构建来源 attestation，可验证可追溯

💡 新用户福利：pip install reverify 后无需任何 API key——模型通过 --driver claude 复用 Claude Code 登录，或 openai 走 OpenAI 兼容端点，mock 模式零依赖可演示。

开源协议： MIT

🎯 总结

reverify 不是一个普通的逆向工具——它重新定义了 Agent 与工具的协作边界：

模型只管提议，工具负责验证
每个结论都带字节证据 + SHA-256 接收，可移交可复现
CI 门禁 + 跨会话账本，让 Agent 在长任务里不会"幻觉累积"

实测数据：71 个真实 Windows DLL 上，LLM 教科书猜测 100% 失败，reverify 零误判。

推荐指数： ⭐⭐⭐⭐⭐（满分5星，反幻觉范式级工程实践）

适合人群： 任何用 LLM 做逆向 / 二进制分析的工程师 + 研究 Agent 可靠性的研究者

立即体验：

pip install reverify
reverify auto sample.bin --json

GitHub 仓库： 2akouwu/reverify

数据截至 2026-09-05，最新信息请以 GitHub README 为准。

配套媒体