把 REA 逆向分析的 token 消耗压下来：给 Agent 的搜索与追踪上三道闸门【免费下载链接】reaReverse engineer anything with agents, from app behavior down to native binaries.项目地址: https://gitcode.com/GitHub_Trending/rea2/rea让 REA 这类 Agent 做逆向分析时，每步工具调用都会带回一大把二进制事实，REA token 消耗很容易失控。不管住它，账单和上下文窗口都会迅速膨胀。下面这套「三道闸门」，是给逆向分析省 token的可落地做法。先看钱花在哪Agent 的 token 几乎只烧在三处。记住这三个口子，后面的闸门才知道拦什么：消耗点典型表现代价重复会话同一个目标反复打开、重新导入、重新索引每次都是纯浪费的分析成本无边界搜索一次全量字符串搜索、一份完整函数清单单条响应就能上万行不断追加上下文把大段事实反复贴回对话，靠聊天历史"记住"结论窗口持续膨胀对应地，本文从会话、数据、输出三层各设一道闸门，把花费锁在"回答当前问题所需的最小量"。第一道闸门：管住会话会话是成本大头：每次重新打开二进制、重新导入、重新索引，都是白花掉的 token。管住它的办法就两条——先查状态再动手，让结果可复用。先查状态再动手动手前，先用binary_session看一眼当前绑定的目标、可用工具和已保留的证据。目标匹配就复用现有会话，别另开一个从头分析；也不要重复执行完全相同的分析。调查收尾时，记得用close_binary关闭原生会话，把 provider 资源及时释放。让分析结果可复用snapshot（快照）能把成功的分析结果留存下来：只要目标字节、操作、参数、provider 和配置完全匹配，后续查询直接命中缓存，连 provider 进程都不用启动。CLI 上用--snapshot指定缓存文件，同一查询重跑即复用已存结果：rea analyze /absolute/path/to/program --provider ghidra --snapshot /absolute/path/to/analysis/program.jsonMCP 侧，open_binary传入snapshot_path可原子导入快照；close_binary时再传snapshot_path和overwrite: true，在释放 provider 资源前把结果存下。💡实用建议：对同一目标连续问几个不同的问题时，让它们共享同一份快照文件——第二个问题常常零成本命中缓存，直接读上次留存的结果。第二道闸门：管住数据会话管住了，数据入口还得收紧：只取回答问题所必需的那一小段。分页与范围参数"全量拉取"是最快的烧钱方式。能带范围的调用，一律显式给范围：读取 keyed archive 时，明确指定root、offset、limit，而不是让整个对象列表涌进来；值追踪图按节点分页返回边，稳定 ID 保证翻页不丢上下文；填参数时，用 MCP 的completion拿前缀匹配的标识符建议，直接输入候选，省掉"先 list 全量、再肉眼挑"的来回。原则就一句：有offset/limit可用，就别裸调。给追踪设预算跨函数追踪最容易失控。trace_native_values这类操作内置了budget：深度、反编译次数、调用点解析数、节点与边数量都可以预算控制；同时有硬边界兜底——节点负载上限8 MiB，序列化结果上限32 MiB。被省略的部分会显式计数，而不是悄悄截断。用法：预算从保守值起步，证据出现具体缺口再扩大。结果里出现"已省略 N 项"时，先判断这些项是否与问题相关，再决定是否调大，别默认一扩了之。摘要优先，分级深入从默认摘要开始，是省 token 的工作流核心：先用最小可用的 overview / inventory，读返回的内联 Evidence，而不是直接上全量反编译；围绕一个具体假设批量发起相关操作，只有证据留下明确缺口时才扩展；每次扩展都让 token 花费跟着问题走，而不是跟着整个二进制的表面积走。第三道闸门：管住输出取数管住了，产出端还有两处容易泄：靠聊天历史"记住"结论，以及把否定搜索越放越大。结论台账（finding ledger）：每得出一个结论，就记一条台账——结论关联 Evidence ID、当时的搜索边界、以及仍未解的疑问。后续步骤直接引用台账条目，而不是回翻聊天记录重新粘事实。台账让 Agent 的"记忆"从无限增长的上下文里搬出来。有界否定搜索：确认"某功能不存在"的搜索同样要收口。达到预设边界还没有命中，就停止并如实记录"在该边界内未找到"，而不是无限扩大搜索范围。否定结论的价值来自明确的边界，来自穷尽整个地址空间。自查清单调查前扫一遍这张表，把动作固化成习惯：场景该做的动作第二次针对同一目标提问先查binary_session状态，复用会话与snapshot读取大块数据显式给root/offset/limit，按需翻页做跨函数值追踪从小budget起步，出现明确缺口再扩大得出新结论写入结论台账：Evidence ID + 搜索边界 + 未解疑问做否定搜索确认边界后停止，记录"边界内未找到"调查结束close_binary关闭会话，释放 provider 资源会话、数据、输出，三道闸门层层设防：该复用的不复算，该有界的不裸调，该记台账的不贴上下文。把 token 花费锁在问题本身，逆向调查才又快又省。更多细节，见 CLI 参考、MCP 契约 与 逆向调查。【免费下载链接】reaReverse engineer anything with agents, from app behavior down to native binaries.项目地址: https://gitcode.com/GitHub_Trending/rea2/rea创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
把 REA 逆向分析的 token 消耗压下来：给 Agent 的搜索与追踪上三道闸门【免费下载链接】reaReverse engineer anything with agents, from app behavior down to native binaries.项目地址: https://gitcode.com/GitHub_Trending/rea2/rea让 REA 这类 Agent 做逆向分析时，每步工具调用都会带回一大把二进制事实，REA token 消耗很容易失控。不管住它，账单和上下文窗口都会迅速膨胀。下面这套「三道闸门」，是给逆向分析省 token的可落地做法。先看钱花在哪Agent 的 token 几乎只烧在三处。记住这三个口子，后面的闸门才知道拦什么：消耗点典型表现代价重复会话同一个目标反复打开、重新导入、重新索引每次都是纯浪费的分析成本无边界搜索一次全量字符串搜索、一份完整函数清单单条响应就能上万行不断追加上下文把大段事实反复贴回对话，靠聊天历史"记住"结论窗口持续膨胀对应地，本文从会话、数据、输出三层各设一道闸门，把花费锁在"回答当前问题所需的最小量"。第一道闸门：管住会话会话是成本大头：每次重新打开二进制、重新导入、重新索引，都是白花掉的 token。管住它的办法就两条——先查状态再动手，让结果可复用。先查状态再动手动手前，先用binary_session看一眼当前绑定的目标、可用工具和已保留的证据。目标匹配就复用现有会话，别另开一个从头分析；也不要重复执行完全相同的分析。调查收尾时，记得用close_binary关闭原生会话，把 provider 资源及时释放。让分析结果可复用snapshot（快照）能把成功的分析结果留存下来：只要目标字节、操作、参数、provider 和配置完全匹配，后续查询直接命中缓存，连 provider 进程都不用启动。CLI 上用--snapshot指定缓存文件，同一查询重跑即复用已存结果：rea analyze /absolute/path/to/program --provider ghidra --snapshot /absolute/path/to/analysis/program.jsonMCP 侧，open_binary传入snapshot_path可原子导入快照；close_binary时再传snapshot_path和overwrite: true，在释放 provider 资源前把结果存下。💡实用建议：对同一目标连续问几个不同的问题时，让它们共享同一份快照文件——第二个问题常常零成本命中缓存，直接读上次留存的结果。第二道闸门：管住数据会话管住了，数据入口还得收紧：只取回答问题所必需的那一小段。分页与范围参数"全量拉取"是最快的烧钱方式。能带范围的调用，一律显式给范围：读取 keyed archive 时，明确指定root、offset、limit，而不是让整个对象列表涌进来；值追踪图按节点分页返回边，稳定 ID 保证翻页不丢上下文；填参数时，用 MCP 的completion拿前缀匹配的标识符建议，直接输入候选，省掉"先 list 全量、再肉眼挑"的来回。原则就一句：有offset/limit可用，就别裸调。给追踪设预算跨函数追踪最容易失控。trace_native_values这类操作内置了budget：深度、反编译次数、调用点解析数、节点与边数量都可以预算控制；同时有硬边界兜底——节点负载上限8 MiB，序列化结果上限32 MiB。被省略的部分会显式计数，而不是悄悄截断。用法：预算从保守值起步，证据出现具体缺口再扩大。结果里出现"已省略 N 项"时，先判断这些项是否与问题相关，再决定是否调大，别默认一扩了之。摘要优先，分级深入从默认摘要开始，是省 token 的工作流核心：先用最小可用的 overview / inventory，读返回的内联 Evidence，而不是直接上全量反编译；围绕一个具体假设批量发起相关操作，只有证据留下明确缺口时才扩展；每次扩展都让 token 花费跟着问题走，而不是跟着整个二进制的表面积走。第三道闸门：管住输出取数管住了，产出端还有两处容易泄：靠聊天历史"记住"结论，以及把否定搜索越放越大。结论台账（finding ledger）：每得出一个结论，就记一条台账——结论关联 Evidence ID、当时的搜索边界、以及仍未解的疑问。后续步骤直接引用台账条目，而不是回翻聊天记录重新粘事实。台账让 Agent 的"记忆"从无限增长的上下文里搬出来。有界否定搜索：确认"某功能不存在"的搜索同样要收口。达到预设边界还没有命中，就停止并如实记录"在该边界内未找到"，而不是无限扩大搜索范围。否定结论的价值来自明确的边界，来自穷尽整个地址空间。自查清单调查前扫一遍这张表，把动作固化成习惯：场景该做的动作第二次针对同一目标提问先查binary_session状态，复用会话与snapshot读取大块数据显式给root/offset/limit，按需翻页做跨函数值追踪从小budget起步，出现明确缺口再扩大得出新结论写入结论台账：Evidence ID + 搜索边界 + 未解疑问做否定搜索确认边界后停止，记录"边界内未找到"调查结束close_binary关闭会话，释放 provider 资源会话、数据、输出，三道闸门层层设防：该复用的不复算，该有界的不裸调，该记台账的不贴上下文。把 token 花费锁在问题本身，逆向调查才又快又省。更多细节，见 CLI 参考、MCP 契约 与 逆向调查。【免费下载链接】reaReverse engineer anything with agents, from app behavior down to native binaries.项目地址: https://gitcode.com/GitHub_Trending/rea2/rea创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考