今天 GitHub 榜单上有两个仓库挨得很近,方向却像两条平行线:一个叫 REA,45.4 万星,专门拆别人的程序;一个叫 agent-desktop,2.2 万星,专门替 Agent 操作桌面。它们干的事不一样,但都在换掉 Agent 的「眼睛」——不再靠截图和像素坐标猜界面,而是直接去读结构。
REA:把逆向工程塞进一个 MCP
REA 全名 Reverse Engineer Anything,TypeScript 写的,MIT 协议,装法简单到有点不真实:本机有 Node.js 22 以上,跑一句 npx rea-agents setup,它会问你用哪个 Agent,然后把 MCP server 和工作流说明写进配置,改之前还会备份原文件。Claude Code、Codex、Cursor、Gemini CLI 这些都在支持列表里。
它真正值钱的地方是覆盖面。原生二进制走 Ghidra、Hopper、IDA 或 Kuna,能拿到伪代码、汇编、字符串、符号和调用关系;JavaScript / Electron 应用能扒出模块、source map、路由和 IPC;Android APK 用无头 JADX 反编译;固件丢给 binwalk / unblob 先拆再用原生引擎分析。除此之外还有一堆偏门但实用的格式:Go 二进制里嵌的编译版本和模块依赖、Rust 的 cargo-auditable 信息、Linux 内核模块的 modinfo 和签名、Unity 的 IL2CPP metadata、Godot 的 PCK 包、GGUF / safetensors 的模型元数据、pcap 抓包,甚至 sigrok 录的逻辑信号。
我用它最顺手的一点是「带证据」:返回结论的时候会标出处和局限,而不是给你一段看起来很像真的伪代码。分析全程在本机跑,不上传样本——这点对拆路由器固件的人来说比星数重要。
agent-desktop:不看截图,读无障碍树
Vercel Labs 出的 agent-desktop 是另一条路。它不截屏、不做图像识别,而是直接读操作系统的无障碍树:macOS 用 AX API,Windows 用 UI Automation,Linux 用 AT-SPI,把当前界面吐成 JSON,每个可操作元素带一个 ref,Agent 拿着 ref 去点、去输入,然后再读一次确认结果。
这套循环很朴素:snapshot 拿结构,click @s8f3k2p9:e8 动一下,再 snapshot 验证。好处是稳定——按钮挪了几个像素、换了个分辨率、系统缩放不同,对结构树没影响;坏处是 ref 只对当次快照有效,界面一变就报 STALE_REF,窗口一多就 AMBIGUOUS_TARGET,得重读再来。它默认还是 headless 的,走无障碍 API,不移动鼠标、不抢焦点,加 --headed 才会做物理输入。
安装 npm install -g agent-desktop,61 个命令名(其中 57 个可用)分得很细:观察、按 ref 操作、键鼠、窗口管理、通知、剪贴板、等待、会话和 trace。还能 agent-desktop mcp 起一个 stdio 的 MCP 服务,或者直接用随版本发布的 C 库在进程内调用。平台要求写得很直白:macOS 13+、Windows 10 1809+、Ubuntu 24.04+,X11 和 Wayland 都行,x64 和 ARM64 都有原生二进制。
说实话
先泼两盆冷水。
REA 的 45 万星是热度,不是成熟度。深度原生分析要你自己装 Ghidra、IDA 或 Hopper,Hopper 还得买 license,setup 里那个「帮你装 Hopper」的选项是要你点确认的。固件分析也不是一键出结果,binwalk 拆出来的东西照样得人判断。另外它把能力做得很全,意味着攻击面也不小:一个能读你所有二进制、抓包、甚至跑进程的 MCP 工具,权限该给多大,自己心里要有数。至于拿它「复刻」别人闭源功能再商业化,README 写的是理解与实现,法律边界不在工具里。
agent-desktop 的问题在另一头。它把桌面控制权交给了 Agent,快照、trace、剪贴板读取都可能带出你的私人内容,官方文档自己也在提醒别把这些传到公开日志。Linux 用户还得注意门槛:Ubuntu 24.04 起步,老一点的发行版和 ARM 单板就别指望开箱即用。
但方向我觉得是对的。一个是把二进制变成可读的证据链,一个是把界面变成可点的结构树,共同点都是「本地跑、给结构化上下文」。今年看了这么多 Agent 框架,AgentScope 在改 Harness,OpenHuman 在压成本,Conductor 在把流程编译成图,而 REA 和 agent-desktop 补的是最土的一环:Agent 到底能看见什么。模型再聪明,喂进去的是截图和猜测,出来的还是猜测。
硬件党可以先拿 REA 拆个固件玩玩,比聊天有意思;想让 Agent 帮你点按钮、填表单的,agent-desktop 已经在 npm 上了。两个都不需要 GPU,一台普通机器就能跑。