获取下载链全程约 1 分钟

打开微信，搜索「软件教程管家」关注，或长按下方二维码关注
回复关键词 r2ai
公众号自动回复网盘链接，点击即可保存下载

打开微信扫一扫关注
或搜索【软件教程管家】

r2ai 是面向 radare2 的语言模型逆向分析插件，把大模型能力直接接进命令行逆向流程。它不是一个独立的逆向工具，而是一层长在 radare2 工作流里的辅助：你在熟悉的分析命令环境里提问、解释输出、跑批处理，反编译场景还有专门的 decai 组件兜底。对已经用 radare2 做逆向、恶意软件分析或 CTF 的人来说，r2ai 的价值在于少切一次工具，多一个能随时调用的分析帮手。

基本信息

项目	内容
项目名称	r2ai
仓库地址	github.com/radareorg/r2ai
Stars	529
运行环境	radare2 及插件环境
核心组件	原生 r2ai 插件、decai 反编译组件
模型支持	本地模型与远程模型（Ollama、OpenAI、Grok、Anthropic 等）
调用方式	交互式 REPL、批处理、r2pipe 脚本
开源协议	以仓库内 LICENSE 文件为准

快速判断

如果团队已经采用 radare2，并希望在命令行逆向流程中获得语言模型辅助，r2ai 值得作为插件型方案评估。它更适合交互式分析、脚本化实验和反编译辅助；若需要完整的自主代理编排、严格的数据隔离或明确的模型兼容矩阵，应先验证相关能力是否满足要求，不要只看仓库简介就上生产分析流程。

核心功能

嵌进 radare2 工作流：r2ai 以原生插件形态接入 radare2，在提示符里直接用 r2ai 命令调用语言模型，不用在分析工具和聊天窗口之间来回切换。
三种调用形态：支持交互式 REPL、批处理模式和 radare2 提示符内的命令调用，人工分析与自动化流程都能接。
decai 反编译组件：基于 r2js 的 decai 组件专门服务反编译相关场景，与通用逆向辅助放在同一仓库里，覆盖更集中。
角色与提示词可配：支持配置不同角色、定制提示词，并可保存配置和使用用户定义提示，按任务调整分析行为。
ReAct 自动模式：提供 ReAct 自动模式，可以尝试让模型按步骤推进自动化任务，适合做流程实验。
本地 RAG：内置面向 Markdown、代码和文本文件的 RAG 能力，并支持分析 r2 命令输出，把本地资料变成分析上下文。
r2pipe 脚本接入：支持通过 r2pipe 调用 r2ai 命令，从脚本中组织逆向分析流程，把模型辅助嵌进批量处理。
本地与远程模型：同时支持本地模型和远程模型，README 列出的服务方向包括 Ollama、OpenAI、Grok 和 Anthropic。

版本选择

r2ai 没有独立的桌面发行版概念，版本选择的核心是跟 radare2 走。先确认本地 radare2 的版本，再用 r2pm 安装与之配套的 r2ai 组件；升级 radare2 之后要同步检查插件是否还能正常加载。仓库里同时有原生插件和 decai 两个组件，反编译需求重就确认 decai 一并就绪，只做命令解释和问答则原生插件就够。模型一侧不挑版本，挑部署方式：能离线就走本地模型，必须联网调远程服务时再按需选服务商。

安装步骤

准备可用的 radare2 环境，确认命令行能正常进入 radare2 提示符。
通过 r2pm 安装 r2ai 组件，按仓库 README 的说明完成插件加载。
选择模型部署方式：本地模型配好本地服务，远程模型准备好对应服务的 API 密钥。
把 API 密钥放进环境变量或配置文件，不要写进会共享的脚本或聊天记录。
在 radare2 提示符里执行 r2ai 命令，确认模型能正常返回结果。
需要反编译辅助时，确认 decai 组件已经安装并可用，再开始正式分析。

必改设置

先定模型走本地还是远程：涉密样本、内网分析优先本地模型；图方便、要强模型时再走远程服务，两条路的密钥和网络要求完全不同，装完第一件事就是把这条定死。
按任务配角色和提示词：解释命令输出、辅助反编译、批量筛查是三种不同的活，各建一个角色和提示词模板并保存下来，临场现写提示词既慢又不稳定。
把 RAG 资料圈进本地库：把本次任务相关的 Markdown 文档、代码和文本资料纳入本地 RAG 检索范围，模型回答会更贴合手头样本，而不是泛泛而谈。
密钥只走环境变量或配置文件：API 密钥不要写进分析脚本、不要贴进共享文档，换机器、换项目时只改配置不改脚本。
升级后跑一遍验证清单：radare2、r2pm、r2ai、decai 四者升级后，依次验证插件加载、模型调用、r2pipe 脚本和 RAG 流程，缺一环都算没验完。

注意事项

脱离 radare2 就没法用：r2ai 依赖 radare2 及其插件环境，不能作为独立逆向分析工具单独运行，评估前先确认团队确实在用 radare2。
模型输出必须人工复核：语言模型给出的解释和结论仍需由逆向人员结合二进制证据复核，仓库没有提供结果准确性或安全性的保证。
远程模型会把数据发出去：样本和分析结果是否发送到远程模型，要按组织的数据处理要求评估，敏感样本先走本地模型。
模型兼容细节要逐个验证：README 没有明确覆盖所有模型服务的兼容细节，具体服务能不能调、怎么调，以实测为准。
RAG 覆盖范围有限：公开说明的 RAG 覆盖 Markdown、代码和文本文件，其他资料格式和规模边界需要查看 README 或源码确认。
部署资源与隔离方案要自己补：README 没有明确说明不同部署方式下的资源需求、网络隔离方案和敏感样本处理策略，落地前要自己补齐这部分设计。

适用人群

r2ai 适合已经使用 radare2 的逆向工程师、恶意软件分析人员、CTF 参与者，以及希望在二进制分析流程中引入语言模型辅助的开发者。刚入门逆向、还没有 radare2 工作流的人不适合从 r2ai 起手，先把 radare2 本身用熟再考虑加这一层。对团队来说，它更适合作为个人分析效率工具引入，而不是一上来就当成自动化分析平台来立项。

选型建议

优先选择 r2ai 的条件是现有工作流以 radare2 为中心，并且能够接受配置本地或远程语言模型。评估时重点验证目标模型的调用方式、API 密钥管理、离线使用需求、r2pipe 脚本兼容性、RAG 输入范围和样本数据出站策略。如果主要需求是 MCP 接入或自主代理编排，README 列出的 r2mcp、r2copilot 和 r2agent 等相关项目要一并比较，不要只看 r2ai 一个就下结论。明确的取舍是：r2ai 强在贴合 radare2 的交互式辅助，弱在自主编排和数据治理要自己补，接受这个边界再用。