← Capa | Mercado

78,8 mil estrelas em uma semana: REA transforma engenharia reversa de arte especializada em um único comando, e a demanda por capacidade de IA é reavaliada

2026-11-03 · Fonte:虎嗅·中继

78,8 mil estrelas em uma semana: REA transforma engenharia reversa de arte especializada em um único comando, e a demanda por capacidade de IA é reavaliada

O projeto de código aberto REA alcançou o topo do GitHub com a promessa de 'deixar que agentes façam engenharia reversa de qualquer software', mas especialistas respondem com a palavra 'hype'. Por trás dessa disputa, uma reescrita profunda da estrutura de consumo de computação pelos agentes de programação de IA.

Entre 4 e 10 de outubro, o projeto de código aberto REA ganhou 78,8 mil estrelas em uma única semana, alcançando o primeiro lugar em toda a plataforma do GitHub naquele período; segundo dados do Star History, o total de estrelas já se aproximava de 100 mil até o fechamento desta reportagem. O projeto, cujo nome completo é 'Reverse Engineer Anything' (faça engenharia reversa de tudo), propõe um terceiro caminho: se você gosta de uma funcionalidade do app de outra pessoa, não precisa escrever tudo do zero por conta própria, nem contratar um engenheiro especializado em engenharia reversa para gastar dias dissecando o código — basta entregar a tarefa à IA. A descrição em sua página é direta: 'Viu uma funcionalidade que quer adicionar ao seu produto? Peça ao seu agente para investigar com o REA.'

Para entender por que o REA gerou tanta repercussão, é preciso compreender o mundo antigo que ele desestabiliza. A engenharia reversa sempre foi uma habilidade reservada a pesquisadores de segurança e crackers: após a compilação em código de máquina, o código-fonte se torna ilegível, e só resta retroceder como quem desmonta um relógio mecânico sem esquemas, alternando entre descompiladores e depuradores — dissecar uma única funcionalidade costumava levar dias. A proposta do REA é usar a interface MCP para conectar ferramentas de desmontagem como Ghidra, IDA e Hopper a agentes de programação de IA como Claude Code, Codex e Cursor: o agente formula as perguntas, o REA coleta as evidências. Basta um comando como 'descubra como a função de busca de tal app foi implementada, mostre-me as evidências e crie algo similar no meu projeto' — e ele próprio vasculha o código de máquina, devolvendo as conclusões junto com as provas.

Vale notar que conectar IA a ferramentas de engenharia reversa não é uma novidade: projetos como GhidraMCP e IDA Pro MCP já vinham tentando isso desde o ano passado. A inovação do REA está em reduzir a barreira de entrada a um nível acessível a desenvolvedores comuns. Esse passo pode parecer apenas uma camada de engenharia, mas significa que a iniciativa de tarefas de engenharia reversa se espalhou de uma minoria de especialistas para milhões de desenvolvedores comuns. A reação dos profissionais foi bastante ambígua: ao repostar a divulgação do REA no X, Elias Bachaalany, coautor do livro de referência 'Practical Reverse Engineering', limitou-se a um comentário: 'hype'.

Contudo, os casos exibidos na página do REA são bastante robustos — a partir de uma única chamada de efeito sonoro no clássico jogo de arkanoid DX-Ball, o agente rastreou a função que calcula os canais de áudio esquerdo e direito conforme a posição da bola, a reconstruiu em código C, passou em 3.205 testes e os 63 bytes compilados ficaram idênticos aos do original. Partir de uma pista de uma chamada de áudio e reproduzir fielmente 63 bytes idênticos ao original é exatamente o tipo de raciocínio forense de múltiplas etapas e cadeias longas — uma tarefa tipicamente de alta densidade computacional. A cada hipótese levantada, o agente precisa acionar ferramentas de desmontagem, ler grandes trechos de código de máquina e sintetizar conclusões, consumindo janelas de contexto e volumes de inferência muito superiores aos cenários comuns de autocompletação de código. Quando a engenharia reversa deixa de ser 'dias de trabalho de especialistas' e se torna 'uma tarefa de agente que qualquer pessoa pode iniciar', a curva de demanda por capacidade de inferência inevitavelmente será redesenhada.

Para os compradores de capacidade de IA, esse tipo de carga de trabalho apresenta três características claras: primeiro, as tarefas são dominadas por chamadas múltiplas de agentes, com consumo de tokens em amplificação de cauda longa — uma única sessão de engenharia reversa pode equivaler a centenas ou milhares de solicitações convencionais de codificação; segundo, os usuários priorizam a estabilidade no processamento de contextos longos e respostas de baixa latência, o que exige maior eficiência de cache KV e capacidade de escalonamento em lote dos clusters de inferência; terceiro, a demanda flutua intensamente conforme a popularidade dos projetos de código aberto — um caso como o do REA, que explodiu em uma semana, cria picos concentrados de capacidade quase instantaneamente. Portanto, ao selecionar recursos de inferência para equipes ou produtos, a capacidade de escalonamento elástico e os modelos de cobrança por uso merecem prioridade sobre o preço bruto por unidade de computação.

Do ponto de vista de compras, três recomendações para os compradores do setor: primeira, para aplicações baseadas em agentes, validar antes o throughput real do fornecedor e a taxa de acerto de cache em cenários de contexto longo e múltiplas chamadas, em vez de olhar apenas para os FLOPs de pico; segunda, atentar à compatibilidade entre modelos de GPU e frameworks de inferência — as diferenças de custo-benefício entre GPUs de treinamento de ponta e GPUs de inferência com alta memória são significativas nesse tipo de tarefa, e devem ser calculadas conforme o perfil de carga próprio; terceira, verificar se o fornecedor oferece cobrança granular por token e monitoramento de consumo, fator que, no modo de chamadas frequentes de agentes, determina diretamente a controlabilidade dos custos.

Informação adicional do mercado: este modelo não possui dados de preços ativos no momento. Isso sugere que, ao avaliar recursos de inferência relacionados, os compradores devem basear-se em cotações em tempo real e comparações entre múltiplos canais, evitando decisões fundadas em preços históricos.

Na mesma semana, um desenvolvedor anunciou ter 'recriado' sete softwares do pacote Adobe usando o Claude Opus 5.5. Quando dias de trabalho se comprimem em um único comando, surge na comunidade de desenvolvedores a disputa sobre se 'desmontar software com IA' configura ou não um 'método de plágio' acessível a todos. Seja qual for a conclusão, algo já está claro: quando os agentes começam a assumir工序 mentais tão árduas quanto a engenharia reversa, a demanda liberada pelos desenvolvedores humanos acabará se convertendo em um consumo de capacidade de inferência ainda maior e mais frequente. Como a oferta de computação absorverá essa onda determinará o cenário competitivo da próxima fase da infraestrutura de IA.

P: Quantas estrelas o projeto REA ganhou em uma semana e quantas possui no total?

R: Ganhou 78,8 mil estrelas entre 4 e 10 de outubro, alcançando o primeiro lugar geral do GitHub naquela semana; segundo dados do Star History, o total já se aproximava de 100 mil até o fechamento desta reportagem.

P: Quão robusto é o caso de engenharia reversa do DX-Ball exibido pelo REA?

R: A partir de uma chamada de efeito sonoro, o agente rastreou a função que calcula os canais esquerdo e direito e a reconstruiu em código C, passou em 3.205 testes, e os 63 bytes compilados ficaram completamente idênticos aos do original.

Tags: REA · Claude Code · Elias Bachaalany · GitHub · Reverse Engineering · MCP


Leituras relacionadas


萬安算交所 AIXX · AIXX · Exchange verificado · Ir ao mercado