Wie man einer KI-Assistentin beibringt, APK-, Binär- und JS-Dateien zu analysieren, ohne endlose Halluzinationen

Wenn du Claude Code, Cursor oder einen anderen KI-Assistenten startest, um eine unbekannte Binärdatei zu reverse-engineeren, beginnt das neuronale Netz schnell, Dinge zu erfinden. Es probiert zufällige Utilities, verwechselt radare2-Flags und versucht, APKs durch bloßes Betrachten von Strings zu dekompilieren. Du verbringst eine halbe Stunde damit, die Fehler anderer zu korrigieren, anstatt tatsächliche Arbeit zu erledigen.

Das reverse-skill-Projekt versucht, dieses Problem durch strukturierte Routing-Szenarien zu lösen.

Was ist dieses Projekt

Im Wesentlichen ist reverse-skill eine gebrauchsfertige Wissensdatenbank und Anweisungssammlung für KI-Assistenten. Anstatt dem Modell vollständige Entscheidungsfreiheit zu geben, etabliert das Repository einen strikten Entscheidungsbaum.

Die Eingabeaufgabe durchläuft Regeln in RULES.md und erreicht den Hauptrouter MASTER-ROUTING.md. Die KI erhält eine klare Anweisung: Erstelle zuerst einen Forschungskontext, prüfe die auf dem System installierte Software und wähle dann ein Szenario für den spezifischen Dateityp aus.

User task
  → RULES.md
  → MASTER-ROUTING / master-route.ps1 (PRIMARY)
  → case-init / scope.md
  → Scenario skill → tools / MCP / scripts
  → timeline + Evidence→Finding→Path → report

Wenn Ghidra oder Frida auf der Workstation nicht verfügbar sind, zeigt das integrierte Indexierungsskript dies dem Assistenten sofort an. Das Modell versucht nicht, fehlende Binaries aufzurufen.

Was befindet sich im Repository

Die Autoren haben Anweisungen für nahezu zweihundert verschiedene Aufgaben zusammengestellt. Die gesamte Sammlung ist in thematische Verzeichnisse organisiert:

• Mobile Reversing in den Ordnern skills/apk-reverse/ und skills/mobile-reverse/
• Analysen kompilierter Dateien (.exe, .so, .elf) mit Anweisungen für IDA Pro und radare2
• Client-seitige JavaScript-Deobfuskation und Arbeit mit benutzerdefinierten virtuellen Maschinen
• Netzwerk-Dump-Analyse und REST-API
• CTF-Wettbewerbs-Orchestrierung durch Modul CTF-Sandbox-Orchestrator

Jeder Bereich enthält einen schrittweisen Algorithmus. Das neuronale Netz rät nicht, welche Konsolenbefehle es verwenden soll – es folgt einem Protokoll: Sammle Beweise, überprüfe Hypothese, schreibe ins Protokoll.

Wie man es bereitstellt und verwendet

Im Hintergrund verwendet das Projekt PowerShell-Skripte, Bash-Shells, Python und Markdown-Dateien. Du kannst das System in wenigen Schritten bereitstellen:

git clone https://github.com/zhaoxuya520/reverse-skill.git

Führe anschließend das Umgebungs-Scan-Skript aus. Für Linux und macOS:

bash skills/scripts/refresh-tool-index.sh

Für Windows:

powershell -File skills/scripts/refresh-tool-index.ps1

Das Skript prüft auf JDK, Python, Node.js, Frida, jadx und erstellt eine lokale Datei skills/tool-index.md. Das Modell sieht den aktuellen Systemzustand und versteht, welche Tools es tatsächlich ausführen kann.

Im Stammverzeichnis befinden sich README_AI.md und RULES.md. Wenn du das Repository mit einem KI-Client verbindest, liest das Modell diese Konfigurationen zuerst. Sie verbieten explizit aktive Aktionen, bis die Kontext-Initialisierungsphase abgeschlossen ist.

Analyse mit praktischen Beispielen

Betrachten wir ein Szenario: Du musst einen verschlüsselten Parameter in einem Web-Client analysieren. Ein regulärer KI-Chat schlägt ein paar zufällige Funktionen von StackOverflow vor. Bei angeschlossenem Paket öffnet der Assistent skills/js-reverse/, prüft Browser-Debugger und erstellt einen sequenziellen Analyseplan.

Der zweite Fall ist die APK-Dateiuntersuchung. Das Modell geht zu skills/apk-reverse/. Zuerst ruft es jadx für die Java-Dekompilierung auf, wechselt zu Ghidra, wenn native Bibliotheken erkannt werden, und verwendet Frida für das Runtime-Call-Tracking. Die Ergebnisse werden im lokalen Ordner work/ gespeichert, der vom Git-Tracking ausgeschlossen ist.

Lohnt es sich, es zu installieren

Das Projekt ist für diejenigen nützlich, die regelmäßig KI bei der Codeanalyse oder Binärforschung einsetzen. Wenn du es leid bist, ständig die Halluzinationen des Modells zu korrigieren und es an die korrekten CLI-Utility-Flags zu erinnern, wird dir das Repository Zeit sparen.

Die Dokumentation wirkt aufgrund der Anzahl der Markdown-Dateien überladen, aber der Ansatz des harten Routings für KI-Assistenten funktioniert hervorragend.