早期所谓的“AI 辅助逆向”，更多还是把反编译结果、汇编代码复制给大模型，让 LLM 帮忙解释。
这种模式本质上仍然是：人操作工具，AI 解释结果。
而随着 MCP 、Agent Skill 和 Tool Calling 的成熟，AI 开始真正进入逆向工具链，可以主动搜索字符串、查找交叉引用、读取寄存器和内存、设置断点，并根据分析结果继续决定下一步动作。
目前这一领域大致形成了两条互补路线：
路线一：MCP 工具基础设施层——解决“AI 能操作什么”。
路线二：Agent Skill 专家知识层——解决“AI 应该怎样做”。
路线一：MCP 工具基础设施层
MCP 为 AI Agent 提供标准化的工具调用接口，让大模型不再只是读取文本，而能够直接调用逆向工具。
这一方向比较典型的代表，就是 REA 和 x64dbg-MCP Server。
REA：Reverse Engineer Anything
REA 定位是：面向 AI Agent 的通用逆向调查框架。
它希望为 Agent 提供统一的分析接口，让 AI 可以从应用行为一路追踪到 Native Binary，并在调查过程中保存证据和上下文。
开源地址：https://github.com/morluto/rea
x64dbg-MCP Server：把调试器交给 AI