41万star!我用REA复刻付费效率软件丨阿星开发日记

简介: 阿星用Codex+逆向工具REA,成功复刻某答清单:本地网页版支持任务管理、日历、四象限、搜索等功能。REA自动分析原软件界面与资源,Codex据此重建逻辑,全程无需截图或手写需求。


哈喽,大家好!

我是阿星👋

最近我做了个小实验:让 Codex 研究我电脑里的某答清单,一个效率管理软件,然后做一个自己的版本。

先看结果👇原版与复刻版的日历放在一起:上面是某答清单的示例数据,下面是复刻版的演示数据。

日历对比:上方原版,下方复刻版

这是一个在浏览器里运行的本地网页。任务可以新增、编辑、设置日期和优先级,也有日历和四象限。

这次有意思的地方,是我没有先把每个页面截图、每个功能写成需求文档。我给 Codex 配了一个叫 REA 的工具,让它先去看看原软件里面有什么。

01给 Codex 一套逆向工具

以前让 AI 复刻一个软件,我一般会给截图,再告诉它按钮在哪里、点下去会发生什么。

这次我想试试另一种方式:软件已经装在电脑上,能不能让 Codex 自己去调查,再根据查到的东西动手?

这里用到的 REA,全名是 Reverse Engineer Anything。它是一套给 AI Agent 使用的逆向分析工具,能帮它检查软件包、资源、界面文件,也能接其他分析工具进一步研究程序。

可以理解成,Codex 负责思考和动手,REA 给它提供调查工具。

我给 Codex 的任务也很直接:用 REA 看看本机的某答清单,在独立目录里复刻一个能启动的版本,界面和功能尽量接近。

这里顺便解释一下,为什么我们不能直接让 AI 打开软件,拿到它的源码。

我们下载安装的应用,通常已经经过编译,变成了电脑可以运行的程序。原来代码里的注释、部分变量名和写法,编译后不一定还保留着。逆向分析就是从这个成品出发,尝试弄清它的结构和行为。

02接下来,让 Codex 把它做出来

查完之后,Codex 开始写自己的实现。

它把任务清单、详情、日历和四象限搭成了一个本地应用。任务数据保存在本机,在清单里编辑过的事项,也能按日期显示在日历里。

复刻版任务清单和详情

搜索也能用,输入关键词就可以找到相关事项。

搜索写作相关任务

这里要说清楚:REA 给的是调查线索,后面的页面和功能是 Codex 重新写的,并不是把原软件的源码直接拿出来。

第一版跑起来以后,我就开始上手点。结果很快发现了三个问题。

日历和四象限里都不能直接新增事项;四象限里的任务拖不动;设成高优先级的任务,也没有放到我预期的左上角。

页面看着都有,但要真正用起来,这几步少一项都别扭。

我把这三个问题直接发给 Codex,让它接着改。

日历里,每个日期旁边加了一个+。点开以后日期已经填好,输入任务名称就可以。

从日历新增事项

四象限也加上了新增和拖动。

我希望高优先级的任务放在左上角,拖过去以后优先级跟着调整,日期保留。

这是调整前后的样子👇

调整后任务进入左上角

调整前任务在右下角

这一轮我没有写什么复杂的提示词,就是把自己操作时遇到的问题说清楚。

Codex 改完,我再打开看。

03REA 查到了什么?

Codex 首先检查了某答清单的 Mac 应用包。

一个应用包里除了程序,还有界面文件、图片和文案等资源。这次清点到了 401 个界面文件,接着用 REA 解析了其中 64 个,读出一部分界面对象和连接关系。

比如,里面有个叫 TTAddTaskBarViewController 的控制器。从名字可以推测,它和添加任务的界面有关。界面文件中还有按钮和连接,能给 Codex 提供进一步调查的线索。


另外,软件里的中文文案也能找到:收集箱、今天、最近 7 天、优先级、重复……这些熟悉的入口和功能名称,都可以作为参考。这些信息让 Codex 知道了更多关于原软件的线索,也给后面的实现提供了参照。

我还试着让 REA 接上 Ghidra,进一步分析某答清单的主程序,看看能不能找到更细的功能逻辑。也就是尝试把机器码还原成更容易阅读的伪代码,再交给 Codex 继续分析。

环境检查通过后,我从原程序中提取了一份适用于 Apple 芯片的 ARM64 版本,交给 Ghidra 分析。

其实做的过程中你会发现,更让人受启发的其实rea这个项目本身,因为逆向的本质是一套调查流程。rea让这套流程标准化,防止模型在反编译的时候瞎胡推断。原生二进制交给 Hopper Ghidra IDA,Android 交给 JADX,固件交给 Binwalk,抓包交给 TShark,硬件信号交给 sigrok。REA把这些能力包成统一的 MCP 工具,以及规定每一个返回值必须长什么样。

但是。。。这个Ghidra第一次分析跑了四分钟,最后超时了。我再试了一次。这次成功拿到了主程序的初步分析结果,可以看到代码段、字符串等结构。


04这次用下来

总之,现在这款复刻版能做基本的本地任务管理,云同步、提醒、习惯这些功能还没有。原版界面也没做完逐项对照,所以它离一个完整的某答清单还需要多一点的时间。

先记到这里。后面继续用,遇到问题再让它改。

如果你也想体验一把逆向,不防试试rea。

OK,我是阿星,

更多 AI 应用,我们下期再见👋


相关文章
|
3月前
|
SQL 人工智能 自动驾驶
一文看懂爆火的 Graph Engineering,以及它和 Loop Engineering、Agent 循环到底啥关系
阿星详解AI工程三层次:Agent循环是AI“想-做-看”的基本心跳;Loop工程为其装上“自动巡航”,实现任务自主迭代;Graph工程则构建多节点协同的执行图,如公司般分工、质检、恢复。三者层层递进,非替代而是融合。(239字)
|
26天前
|
人工智能 测试技术 API
阿里Qwen3.8全系开源:性能碾压竞品,支持多端部署,开发者福音!
阿里Qwen3.8全系开源!涵盖1.5B至72B全尺寸模型,代码、推理、长文本能力全面领先,支持手机到服务器多端部署,兼容HuggingFace等主流框架,私有化成本降80%,真正普惠开发者。(239字)
343 0
|
29天前
|
人工智能 JSON 物联网
AI 漫剧动态视频工业化生产:分镜渲染、图生视频与批量自动化落地实战
本文系统解析AI漫剧生产核心痛点(角色漂移、动态失控、帧闪、长镜崩坏、文件混乱),提出“短镜头+微动态”最优实践,并详解五阶段流水线、ComfyUI动态化方案(AnimateDiff/LTX-Video参数逻辑)、Python批量生成脚本及网盘协同管理策略,助力高效稳定出片。(239字)
448 0
|
1月前
|
人工智能 编解码 API
漫剧动态 AI 视频批量生成完整方案(Python+ComfyUI + 万相 Animate,适配短剧漫剧流水线)
本文提供一套可部署的AI漫剧自动化生产方案:基于Python调度+ComfyUI+万相Animate模型,实现“分镜图→动态镜头→成片”全流程。支持批量处理、自动拼接与字幕添加,专治闪脸、卡顿、导出低效等痛点,12G显存即可运行。(239字)
287 0
|
2月前
DSH plugin 开发示例:最小插件、工具插件、事件插件、带配置插件与服务插件的完整代码示例
DeepSeek Harness(DSH)插件开发示例合集:最小插件、模型工具、事件监听、带 Config 配置与服务提供者五个可直接抄的示例,每个含目录结构、完整代码与运行方式。
471 1
|
3月前
|
机器学习/深度学习 编解码 自动驾驶
行人细分目标检测数据集:3类别、4,000张图像 | 目标检测
本数据集含4000张真实道路图像,创新性地将行人细分为三类:pedestrian(行为行人)、ped(旁观人员)、people(人群),支持YOLO等模型训练,专为提升自动驾驶中行人语义理解与风险决策能力而设计。(239字)
293 1
|
2月前
|
存储 人工智能 监控
预览下一代Qwen4架构,解析Qwen3.8‑Flash的Coding、Agent与成本优势
2026年,Qwen团队正式对外推出Qwen3.8‑Flash‑Next开源权重模型,对应的线上生产服务版本命名为Qwen3.8‑Flash。这套模型不只是一次常规版本迭代,更是下一代Qwen4整套架构思路的提前对外预览,在稀疏激活架构、超长上下文、代码工程能力、智能体工具调用以及推理成本层面都带来了非常关键的变化。总参数规模125B,采用稀疏MoE设计,每一个Token推理阶段仅激活约6B参数;开源版本原生支持262144 Token上下文窗口,借助YaRN技术可扩展至100万Token;线上云服务版本Qwen3.8‑Flash默认直接开启100万Token上下文能力,同时大幅强化代码处理、
2394 0
|
安全 NoSQL 中间件
阿里云通过中国信通院首批安全可信中间件评估
近日,由中国信通院主办的2025(第五届)数字化转型发展大会在京举行。会上,“阿里云应用服务器软件AliEE”、“消息队列软件RocketMQ”、“云数据库Tair”三款产品成功通过中国信通院“安全可信中间件”系列评估,成为首批获此认证的中间件产品。 此次评估覆盖安全可信要求、功能完备性、安全防护能力、性能表现、可靠性与可维护性等核心指标,标志着阿里云中间件产品在多架构适配与安全能力上达到行业领先水平。
847 5
|
7月前
|
中间件 测试技术 API
值得收藏,一些好用的Claude Code提示词!
值得收藏,一些好用的Claude Code提示词!