reverify：让AI读取二进制时，每个结论都经过字节验证

当 AI 代理开始阅读二进制文件时，一个棘手的问题随之而来：模型可能会自信地给出错误的解释。reverify 正是为此设计的——它让模型提出假设，而由确定性工具来验证，每个结论要么被标记为 VERIFIED（已验证），要么被标记为 REFUTED（已推翻），并且所有事实都基于真实的字节，即使上下文被重置，这些事实依然保留。

模型提议，工具裁决

reverify 的工作方式很直接：AI 代理先提出对二进制代码的解读，然后 reverify 通过反汇编器等工具对真实字节进行核查。如果模型的断言与实际字节不符，就会被标记为 REFUTED；如果一致，则标记为 VERIFIED。整个过程都会留下证据，供后续分析参考。

这种机制特别适合那些需要高度准确性的场景，比如安全漏洞分析或恶意软件研究。在这些领域，一个错误的解读可能导致完全错误的结论。

两种使用方式：MCP 服务器与 CLI

reverify 提供了两种交互方式：MCP 服务器和命令行工具。MCP（Model Context Protocol）服务器可以让 AI 代理直接调用 reverify 的验证能力，适合集成到现有的 AI 工作流中；而 CLI 则更适合手动操作，比如在终端里快速验证一段可疑代码。

例如，在分析一个未知的二进制文件时，你可以先用 AI 代理生成初步的解读，然后通过 reverify 验证其中的关键断言。如果验证结果与模型的说法不符，你就知道需要重新审视这部分分析。这种“人机协作”的方式，既发挥了 AI 的解读能力，又避免了它的幻觉问题。

从 CTF 到生产环境的实用价值

reverify 的实用价值在几个具体场景中尤为突出。在 CTF（Capture The Flag）竞赛中，参赛者经常需要快速分析二进制文件，找出漏洞或隐藏信息。reverify 可以帮助验证 AI 辅助分析的准确性，减少误判。在安全研究中，分析恶意软件时，reverify 的验证机制能确保每个声称的发现都有字节级证据支持，这对于撰写报告或分享发现至关重要。

另一个有趣的应用是上下文管理。reverify 的简介中提到，“grounded facts survive context resets”——即使 AI 的上下文被重置，那些经过验证的事实依然保留。这意味着在长会话或多步骤分析中，关键结论不会因为上下文丢失而消失。

开源与社区支持

reverify 是一个开源项目，采用 MIT 协议，代码托管在 GitHub 上，目前已经积累了 809 个星标。它主要用 Python 编写，开发者可以轻松地查看源码、贡献代码或根据自己的需求进行定制。对于希望深入理解其工作原理或将其集成到自有工具链中的团队来说，这种开放性是一个重要的加分项。

不过，reverify 并非没有短板。它的验证能力依赖于反汇编器等确定性工具，对于混淆严重或使用非标准指令集的二进制，验证的覆盖面可能有限。此外，它本身并不提供完整的二进制分析功能，而是作为 AI 代理的补充层存在，因此更适合已有 AI 分析流程的用户。

适合谁，不适合谁

reverify 适合那些已经开始用 AI 代理辅助分析二进制文件，但苦于模型幻觉的开发者、安全研究人员和 CTF 玩家。它不适合那些完全依赖人工分析、不使用 AI 工具的用户，也不适合需要开箱即用的完整二进制分析套件的人。

如果你正在构建一个基于 AI 的二进制分析工具，reverify 可能是一个值得关注的组件——它用确定性工具为 AI 的想象力系上了安全带。

FAQ：常见问题

reverify 如何防止 AI 幻觉？

reverify 让 AI 模型先提出对二进制文件的解读，然后通过反汇编器等确定性工具对真实字节进行验证，每个断言都会被标记为 VERIFIED 或 REFUTED，并附带证据。这样，模型的错误解读会被及时拦截，而不是被当作事实接受。

reverify 适合哪些人使用？

reverify 适合使用 AI 代理辅助二进制分析的安全研究人员、CTF 玩家和开发者。它需要一定的技术背景来集成 MCP 服务器或使用 CLI，但能显著提高分析结果的可靠性。