Kuna：LLM 自主生成的反编译器
Kuna: Decompiler Development in the Age of Coding Agents
我发布了 Kuna，一款在 Air Force Research Lab 和 Metalware 期间开发的实验性反编译器。这个项目几乎完全由 LLM 编写代码，却能在 C 语言控制流结构化测试中媲美行业标杆 IDA Pro。通过让 LLM 自主分析自身与 IDA Pro、Ghidra 及 angr 的差距，Kuna 实现了自动化的性能迭代，甚至复现了 angr 团队耗时数年设计的 20 多项核心功能。但这并非完全自动化的研究，它依然依赖人类对基础指标和逆向工程价值的深刻洞察。Kuna 本质上是基于 Ghidra 的 Rust 移植版，旨在探索仅凭高层科学反馈能走多远，未来仍需在类型推断和变量识别上持续突破。
我强调这一切是为了澄清，这个项目绝不仅仅是垃圾代码，而是一种真正实验性的方法，旨在开发一个能够自动变好的、具有科学趣味的工具。
HN 评论区
21- gopalraja
没错——基于我自己的经验，我同意你的观点。这个循环之所以能跑通，是因为你有一套评估标准（rubric）可以用来衡量。
我也遇到过类似的问题，不过不是在反编译器模式下。Agent 在解释某些东西时可能会极具欺骗性（而且我太懒了，没仔细读也没亲自验证）。让我栽跟头的是，一位测试者指出了一些根本不存在的引用。所以我加了一道检查机制：Agent 可以自由提出建议，但未确认的内容默认失败（fail closed），我的评估标准拥有否决权。这和你描述的情况如出一辙。Agent 可以不断打磨优化，但正是评估指标防止了它只是变得“流利却偏离方向”。如果没有这个人在环（human in the loop），自主改进主要靠运气。另一方面，我越来越多地看到新模型的推理能力，如果再用另一个 LLM 进行评估（前提是该 LLM 也有评估标准作为参照），确实能减少虚假内容的产生。
- saidnooneever
这真是令人惊叹的工作，非常感谢。在我看来（正如文中所述），这是一个非常棒的案例，展示了如何利用 AI 驱动的开发和研究来推进我们现有的工具。反编译真的很难，而更好的反编译算法对于许多技术领域来说都是非常有价值的贡献。
- fishfasell
如果能看到 Agent 对函数名和变量名进行语义解读，那就太酷了。它比人类能更快地观察和追踪数据流，所以如果给它一些上下文，也许它就能为这些函数和变量合成出合适的名称。