鱼羊发自凹非寺
量子位 | 公众号 QbitAI
终于有人出手反制 REA 了。
REA，AI 逆向一切，登上 GitHub 仅一周就刷下 10 万+星，直接让一众开发者们直呼“软件已死”。
如果要评选 2026 年度最热开源项目，候选列表里自然少不了 REA。如果要评选 2026 年度最危险开源项目，候选列表里也少不了它。
于是，一位中山大学本科生开始行动了。
项目名BLA——让 AI 逆向 Agent“失明”。
挖坑方法分为三步走：投毒 → 耗尽预算 → 诱导误判。
一套组合拳下来，想要逆向 BLA 加持后的软件，AI Token 消耗量直接暴增300-2800 倍。
目前，BLA 已收下 3900+ 标星和 476 forks。
给 AI 挖坑，Token 账单原地起飞
和 REA 一样，BLA 也是一套 MCP 服务和 CLI 工具。
REA 的逆向通常遵循这么个逻辑：
分析器先从文件里提取模块、函数和调用关系，编程 Agent 再根据这些结果决定查哪里、怎样解释这个功能。
BLA 主打逐层击破。简单来说，就是一面喂，一面卡爆分析器处理上限。
第一坑：投毒
BLA 会在文件里放入格式逼真的假凭据，让 Agent 把 Token 浪费在其实完全没有价值的假线索上。
一个典型例子是诱饵 Source Map。
网页的 JavaScript 经过打包压缩后，代码常常挤在几行里。Source Map 可以告诉调试器，这一行对应原始项目里的哪个文件、哪个位置，有时还会附带源码正文。对逆向工具来说，这是一份现成的路标。
BLA 会生成一份格式有效的映射，里面附上虚构的源码路径和代码片段。比如，它可以让一段普通的客户端代码看起来像是在调用硬件安全区，还附上远程认证的接口和注释。如果 Agent 把这些内容当作证据，就可能沿着一条根本不存在的调用链继续查。
类似的诱饵还有假凭据、假诊断信息和看起来像授权逻辑的代码分支。
第二坑：卡爆分析器上限
这一步更直接，就是精确触发分析器内部硬编码配额上限，让工具报错。
拿 Electron 常用的 .asar 包来说，包头有一份索引，记录包里有哪些文件。BLA 的最强加固档会往里塞约 4000 条诱饵文件。每条文件内容很短，路径却很长，主要体积就堆在了索引上。
测试显示，对一个 607 字节的包进行 BLA 加固，加固后文件变成了 16.93MiB，包头超过了 REA 的默认上限，读取直接报错。
不过这个默认上限是可以提高的，另外，这一步处理也会让包变大。
效果方面，项目作者做了实测+估算。
13 个 BLA 加固前后的对照项显示，其中 7 项在被测步骤报错或被拒绝，2 项返回部分结果，1 项只在指定查询时报错，其余 3 项没有观察到 REA 分析被阻断。
成本估测上，作者内部测试后表示，加固后逆向 AI 的 Token 消耗约为原来的300-2800 倍。用 GitHub 仓库的 14 个示例估算，加固后的总 Token 消耗约为加固前的639. 5 倍，总费用约为304. 4 倍。
中山大学本科生项目
BLA 的主要作者 TImo Zhang，是中山大学软件工程专业的大三学生。
目前在字节跳动实习。
BLA 之外，他还有一个 500+ 的项目“mu (μ)”，是一个基于树莓派构建的减少 Coding Agent Token 消耗的小模型。
Timo Zhang 也是 LobeHub 的项目贡献者。
以及，对中大的校园生活看上去也充满了热情。
项目链接：
