``` spectrida analyze GameAssembly.dll --workers 16 ``` （用户没有提供输入文本，无法进行翻译。）``` ◈ spectrIDA ▸ GameAssembly.dll

✓ 00 ✓ 01 ✓ 02 ✓ 03 ▸ 04 · 05 · 06 · 07 ✓ 08 ✓ 09 ✓ 10 ✓ 11 ✓ 12 ✓ 13 ▸ 14 · 15

14/16 shards │ 141,203 functions found ████████████████████████████░░░░ 89% ~4s remaining

---

## 它是什么

IDA Pro的自动分析是单线程的。对于一个34 MB的il2cpp DLL，这需要*几分钟*。spectrIDA将二进制文件分割成N个分片，通过idalib并行运行，合并成一个`.i64`文件，然后让一个微调的8B模型**为每个函数命名**——所有这些都来自一个终端用户界面，具有赛博朋克主题和恰到好处的讽刺感。

这就是第1章，它独立存在：纯粹的速度，如果你不想要，就不需要AI。

第2章将输出转化为超越会话生命周期的东西——一个Neo4j图，MCP客户端（Claude、[pi](https://pi.dev)或任何支持MCP的工具）可以真正在其中工作，而不是你一次一个函数地将反编译输出复制粘贴到聊天窗口中：```
Binary  ─▶  Parallel IDA Analysis  ─▶  Demangle  ─▶  AI Naming  ─▶  Neo4j Graph  ─▶  MCP Server  ─▶  Claude
              (N idalib shards)       (free, real)   (stripped     (persists,        (search/chain/
                                                       leftovers     forever,          rename, live)
                                                       only)         across sessions)

第3章（phantomrt）添加了静态工具从未拥有的另一半：它实际运行代码。模拟一个没有操作系统的函数（适用于你甚至无法启动的二进制文件，例如Switch的.nso），或者挂钩到实时进程，或对其进行模糊测试——并将判断结果（crashes / needs live state / clean）标记到与函数名称相同的图节点上。

完整介绍，包括待办事项中的内容，详见第2章和第3章。

它不是Ghidra。它能快速完成一件烦人的事（慢速分析+命名），而且使用起来确实很有趣。199次下载说明一切。

无云端。无遥测。完全在你的机器上运行。

---

数字

任务	时间
Among Us DLL — 单线程IDA	~4 hours
Among Us DLL — spectrIDA（16个工作线程）	67 seconds
153,649函数二进制文件 — 完整命名过程	overnight
二进制文件概览（这个程序是干什么的？）	~30 seconds

测量所用硬件： AMD Ryzen 7 5800X3D（8核/16线程），32 GB RAM，RTX 4070 12 GB。不同的硬件会影响并行分析数据（更多核心、更多分片，更快）；命名数据主要受GPU限制。Among Us的4小时/67秒数据是在第2章之前测得的，并非每次发布都独立重新验证——如果你想针对自己的机器和二进制文件获取数据，请自行运行spectrida analyze，结果会因分片密度和二进制文件大小而异。

实际上在第2章开发期间重新验证的数据，相同硬件：

二进制文件	函数数	任务	时间 / 结果
test_small.dll (PE)	189	并行分析，4个工作线程，CLI	6.4s
test_small.dll (PE)	164	完整MCP流水线（分析 + 反混淆 + 图写入）	9.8s
main.nso — Mario Odyssey (NSO), 16 workers	28,038 种子函数	并行分片扫描阶段	54.5s
main.nso — Mario Odyssey (NSO), 16 workers	74,790 总函数数	+ 合并/完整分析阶段	143.1s
main.nso — Mario Odyssey (NSO), 16 workers	74,790 总函数数	端到端实际时间	197.6s
main.nso — Mario Odyssey (NSO)	74,790	仅通过反混淆解析（Itanium ABI，免费，无AI）	67,300 (90.0%)

那一行NSO数据实际上相当于之前Among Us的“4小时→67秒”说法，在本版本中基于一个74,790函数的Switch二进制文件重新测量，未涉及AI命名（仅反混淆——populate=False）。并行阶段（16核，~55秒）进行初始分片发现；合并阶段（~143秒）设计为单线程——一个IDA数据库，一个写入器——所以如果你在该阶段查看任务管理器，看到15个核心在休眠，那不是bug报告，那是物理限制。

获取一个真实的数字本身就是一出小恐怖故事。第一个版本的NSO支持运行正常，退出代码0，但骄傲地返回了727个函数，而该二进制文件大约有75,000个函数——不是崩溃，只是惊人地、自信地错误，这某种程度上更糟糕。结果发现IDA没有原生NSO加载器，因此文件静默地作为纯x86（"metapc"）加载，尽管Switch自发布以来就是ARM64架构。每个分片都对着纯AArch64指令运行x86序言扫描器，并将意外匹配到的任何内容称为"函数"。单独修复架构毫无作用，因为该二进制文件在内存中仍然是LZ4压缩的——所以扫描的内容中有一半，客气地说，是噪声。即使正确解压并标记为AArch64，每个分片也只在其小小的二进制切片内寻找调用目标，遗漏了所有跨越分片边界的调用——在这种大小的二进制文件中，大部分调用都是跨边界的。三个bug，一个数字，而且没有一个有抛出异常的体面。（我们还尝试通过跳过IDA的栈帧分析来缩减合并阶段——获得了漂亮的加速，但数据库导致Hex-Rays礼貌地拒绝反编译一半内容。那很快就被回退了。保留了更小、更安全的FLIRT签名跳过，这带来了约3%的微不足道的改进，且没有破坏任何东西，到这一步感觉这已经是一个值得保留的性格特征。）

关于命名准确性： 它并非Ghidra级别的真实答案，而是一个8B模型根据伪代码进行猜测。通用的辅助函数/获取器通常效果不错；深度游戏特定的逻辑则更像抛硬币。对任何错误结果进行重命名——这就是为什么rename_function会直接持久化回图中。

---

特性

• 并行分片分析 — 将地址空间分割成多个分片，运行N个idalib实例，合并成一个.i64。可通过标志、配置或环境变量配置工作线程数。
• 可插拔格式支持 — 内置PE、NSO（Switch）和ELF（.so/Linux）支持；添加新格式只需一个文件，无需更改核心。spectrida formats列出已注册的格式。参见添加新的二进制格式。
• AI函数命名 — 微调的Qwen3-8B模型通过Ollama本地运行，逐token流式输出名称。按N。看它思考。名称出现。
• 批量命名 — 按B对列表中所有sub_*函数进行命名。离开。回来。
• 二进制文件概览 — 按O或运行spectrida overview file.i64。模型读取120个采样函数名称，告诉你该二进制文件的功能、子系统以及与安全相关的内容。30秒内正确识别了一个153k函数的IL2CPP运行时。
• 调用链浏览器 — C显示调用者和被调用者。模型在命名时使用这些作为上下文——被Player$$TakeDamage调用的函数比孤立命名的效果更好。
• 反编译器视图 — D切换Hex-Rays伪代码显示。
• 导出 — 将所有内容导出为JSON、CSV、IDA .idc脚本或符号文件。.idc脚本可一键将AI生成的名称应用回任何IDA安装中。
• 编程API — from spectrida.api import open_i64。通过脚本、笔记本或Claude Code驱动所有功能，无需接触TUI。
• MCP服务器 — spectrida install mcp直接连接到Claude Code和/或pi，无需手动编辑JSON。然后Claude可以搜索/读取/遍历基于Neo4j的函数图（名称、伪代码、反汇编、调用者/被调用者），并且可以独立启动对新二进制文件的全新分析——analyze_binary通过一次工具调用运行整个流水线（并行分析→反混淆→AI命名→图），作为后台任务由它轮询。支持PE和NSO。见下文第2章。
• 演示模式（spectrida --demo）— 在零配置下尝试所有功能。无需IDA，无需Ollama。
• 首次运行向导 — 帮助安装Ollama和模型，自动检测你的IDA安装，之后不再询问。

---

安装```bash

pip install spectrida

要求：**IDA Pro 9.x** 配合 idalib · **Python 3.10+** · **Ollama**```bash
# install Ollama (Windows)
winget install Ollama.Ollama

# pull the model (8.7 GB — go get coffee)
ollama pull hf.co/gdfhhjk/spectrida-re-gguf:latest

# first run — detects your IDA install and sets everything up
spectrida onboard

# or just try the demo right now
spectrida --demo

命令```bash

analyze a binary from scratch

spectrida analyze GameAssembly.dll spectrida analyze GameAssembly.dll --workers 8 # custom worker count

open an existing .i64 in the browser

spectrida open file.i64

ask the AI what this binary is

spectrida overview file.i64 spectrida overview file.i64 --addr 0x10001000 --addr 0x10353fd0 # include specific functions

export function names

spectrida export file.i64 -f idc # IDA script — apply names to any install spectrida export file.i64 -f json # full dump with addresses + sizes spectrida export file.i64 -f csv # spreadsheet spectrida export file.i64 -f symbols # addr name pairs spectrida export file.i64 --named-only # skip sub_* functions

check Ollama + model status

spectrida serve

re-run the setup wizard

spectrida onboard

## TUI 快捷键

| 快捷键 | 操作 |
|--------|------|
| `N` | 函数命名选取 — AI 实时流式输出结果 |
| `R` | 重命名 — 预填充 AI 建议的名称 |
| `D` | 切换反编译伪代码（Hex-Rays） |
| `C` | 调用链 — 调用者与被调用者 |
| `B` | 批量命名当前列表中的所有 `sub_*` 函数 |
| `O` | 概览 — AI 对整个二进制文件的摘要 |
| `/` | 模糊搜索 |
| `?` | 帮助 |
| `Q` | 退出 |

---

## 编程 API

无需 TUI — 可从脚本、Claude Code、Jupyter 笔记本等任意方式驱动 spectrIDA：```python
import asyncio
from spectrida.api import open_i64

async def main():
    async with open_i64("GameAssembly.i64") as db:

        # list all 153k functions
        funcs = await db.list_functions()

        # name one function — returns name + reasoning + confidence
        result = await db.name_function(0x10001000)
        print(result["new_name"])     # init_atexit_handler
        print(result["reasoning"])    # allocates array of 3 fn ptrs, calls _atexit...

        # batch name everything (with live progress)
        async def on_progress(done, total, r):
            print(f"  {done}/{total}  {r['old_name']} -> {r['new_name']}")

        await db.batch_name(limit=500, rename=True, progress_cb=on_progress)

        # ask what the binary does
        overview = await db.overview()
        print(overview)

        # export to IDA script
        await db.export("names.idc", fmt="idc", named_only=True)

asyncio.run(main())

---

模型

hf.co/gdfhhjk/spectrida-re-gguf — 基于 Qwen3-8B 为逆向工程微调的模型。

训练数据：

• x86/x64 汇编 → 函数名对，附带调用链上下文
• 来自 jtsylve/ida-mcp 的工具调用轨迹——使用 idalib 的无头 IDA
• 来自代码库上下文服务器的扩展上下文推理轨迹

训练方法： 神经元定向 SFT + GRPO。仅调整与逆向工程相关的神经元——基础 Qwen3 知识保持不变，只是在其上添加了非常特定的技能。

本地通过 Ollama 运行。GGUF 格式——可在 CPU、GPU 或两者上运行。

---

适用人群

你正在进行逆向工程。你有一个包含 150,000 个函数的二进制文件。也许有 2,000 个函数从元数据中获得了名称。其余 148,000 个是 sub_XXXXXXXX。你想找到网络代码。你无法通过 grep 找到它，因为没有任何东西有名称。

一个人类逆向工程师如果速度够快，每小时可以命名大约 50-100 个函数。按照这个速度，150k 个函数需要 3 年。