使用场景
AI 应用开发者与逆向工程师在让 LLM 代理处理二进制分析、协议还原等任务时,需要代理给出的每条结论(函数用途、结构偏移、协议字段)都能被确定性工具复核,并把已核实的事实与上下文跨会话保留下来。
现状是人工在反汇编器、调试器与文档之间逐条核对 AI 输出,或依赖模型自身的自我检查与提示词约束;这些做法不产生可复用的证据链,会话重置后已确认的事实也会丢失。
LLM 在逆向工程这类高精度任务中会编造函数语义、偏移量和协议字段,而这类错误一旦进入后续分析链条,返工成本远高于普通文本幻觉;开发者目前只能靠人工逐条比对反汇编、调试器输出和文档来兜底。
xOcto 的判断
需求有依据
趋势:AI 生成内容的可信度成为瓶颈,事实核查工具将嵌入开发流程。切入:可从代码审计、逆向工程等需要精确性的领域切入,提供可验证的 AI 输出。
使用理由
为什么用户会选择它
推断:相较人工逐条比对或纯提示词约束,reverify 把“AI 提议、确定性工具裁决”做成 MCP 服务器与 CLI 的固定动作,每条主张必须附上对照 ground truth 的证据才被接受,并把已核实事实持久化,因此逆向工程或安全分析团队在需要可审计结论时会选择它,而不是继续靠人工复核。
还不能轻易下结论的地方
真正值得继续追问的矛盾
追踪 reverify 仓库的 issue 与 discussion,确认是否有用户报告在具体逆向工程或安全分析任务中部署、替代了哪一步人工核对流程。