中大本科生反AI逆向项目火了！让黑客Token账单原地暴涨300倍

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。

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。

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。

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。

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：

https://github.com/qybaihe/bla/