4.1 r2ai角色预设

4.1 r2ai角色预设

本节摘要：r2ai 是 radare2 官方的 LLM 插件（约 490 stars，MIT，社区口径 2026-10），装进 r2 会话只需 r2pm -Uci r2ai 一条命令。本节先接通模型后端：本地 Ollama 或云端（OpenAI / Anthropic 等）任选，配置各一条命令，后端选择的第一原则是样本敏感度。然后逐个上手四个预设角色：explain 让模型解释当前函数（读的是你屏幕上的同一个函数）、autoname 自动命名（写回 r2 会话，含批量用法，需复核导出）、vulns 做漏洞模式巡查（仅限授权对象，产出是线索不是结论）、decompile 辅助把反汇编重写成近似 C（可读性换正确性）。每个角色给会话示例与产出形态，最后一张对照表总结输入、输出与复核要求，外加一张常见坑表。会话与参数为写法示意，以 r2ai 官方 README 为准。

学习目标

• 完成 r2ai 安装与一种模型后端的配置。
• 用 explain 拿到当前函数的中文解释并能核对其引用的真实性。
• 用 autoname 批量获得候选名并执行复核导出。
• 说明 vulns 角色的适用边界与 decompile 角色的产出局限。
• 按四角色对照表为任务选对角色，并绕开常见坑。

一、安装与模型接入

# bash —— 安装 r2ai 并配置模型后端（写法示意，以 r2ai 官方 README 为准）
r2pm -Uci r2ai          # 更新包索引并安装插件
r2 -A bin/demo_stripped
[0x00401090]> r2ai -m ollama/qwen2.5-coder   # 本地后端（模型名示意）
# 云端后端改为相应模型名并按官方文档配好密钥环境变量
[0x00401090]> r2ai hello                     # 连通性自检：模型能回话即通
​

后端选择的第一原则在装之前就要想清楚：样本内容会进提示词。 自编译程序与公开 CTF 样本随便选；涉及敏感内容一律本地（第 0.2 节铁律，4.2 节展开取舍表）。

模型档位的实用建议：解释与巡查类任务（explain、vulns）对模型要求中等，本地中档模型够用；autoname 与 decompile 对「读得准」要求高，值得用你能拿到的最强模型。同一会话里也可以按任务切后端——先用强模型命名，再用便宜模型解释，成本与质量两头兼顾。

r2ai 的角色机制本质是预设的系统提示词加输出约定：切角色不需要换模型，一条命令的事。角色之外的一切普通对话仍然可用——角色是「戴帽子的提问」，不是功能的边界。

二、explain：让模型解释当前函数

最常用的角色。它把当前光标所在函数的反汇编与上下文交给模型，换回一段解释：

# bash —— explain 角色会话（示意，输出有删节）
[0x00401090]> s 0x00401189          # 定位到第 2.1 节认出的去混淆函数
[0x00401189]> r2ai -e role=explain
[0x00401189]> r2ai 这个函数在做什么？
模型：循环逐字节取输入，与 0x5a 异或后写入输出缓冲，至遇 0 结束；
      典型 XOR 去混淆。依据：循环体含 xor 指令，常量 0x5a，边界为 0。
​

复核动作固定两条：模型提到的常量（0x5a）在 pdf 输出里肉眼可查；提到的边界条件与跳转指令对得上。解释角色只读不写，是四个角色里最安全的起点。提问技巧：把「它在做什么」拆成「输入是什么、输出是什么、对每个字节做什么」三问，答案更贴证据。

三、autoname：把命名直觉外包（但要复核）

autoname 对当前函数（或批量对无名函数）给出候选名并写回 r2 会话：

# bash —— autoname 角色会话（示意）
[0x00401160]> r2ai -e role=autoname
[0x00401160]> r2ai 给这个函数起个名
模型：建议 check_license_key（依据：解码后与参数 strcmp）。
      已将会话内函数改名为 check_license_key。
[0x00401160]> afl                 # 复核：看会话里的名字列表
​

批量形态（示意）：对会话里全部 fcn. 开头的无名函数跑一轮，aflj 导出改名结果，再进人工复核。

# bash —— 批量命名与导出（写法示意）
[0x00401090]> r2ai -e role=autoname
[0x00401090]> r2ai 给所有无名函数起名，保守命名，不确定的保留原名
[0x00401090]> aflj > /tmp/names.json     # 导出供复核与回写
​

三个纪律：其一，autoname 的改名只在本会话生效，退出即失——要落盘就走导出 JSON 加回写（Ghidra 侧用第 3.3 节的 apply_names.py 思路）；其二，名字采纳前对照反汇编核它的「依据」，错名字比没名字更害人；其三，批量自动命名后必须抽样复核——这与第 3.3 节命名建议的闸门完全同构，「保守命名、不确定的保留原名」这句指令能把误伤率压下去一截。

会话产物的管理也别偷懒：r2 会话里的名字、注释不会自己长存——结束前做一次「收割」：aflj 导出名字清单、关键结论抄进笔记（或第 4.3 节的报告 JSON）。养成这个习惯，r2ai 的会话才从「聊完就散」变成「理解累积」。

四、vulns 与 decompile：巡查与改写

vulns 角色让模型按漏洞模式巡查当前函数或一段代码，产出「模式 + 位置 + 理由」的清单。 用之前先划边界：只对授权对象使用（自编译、CTF、开源），它给的是线索不是结论——每条线索都要人顺着引用链核实。对 demo_stripped 的 check 类函数，典型产出是「无边界检查的栈缓冲区」一类提示，是否成立要看调用约定与实际输入长度。

# bash —— vulns 与 decompile 角色会话（示意）
[0x00401160]> r2ai -e role=vulns
[0x00401160]> r2ai 巡查这个函数的潜在问题
模型：expected 缓冲区 32 字节，deobfuscate 的输入若超长可能越界写；
      位置：写入循环；建议核对 DAT 的实际长度与写入边界。
[0x00401189]> r2ai -e role=decompile
[0x00401189]> r2ai 重写成 C
模型：输出一段近似 C 的循环代码（结构对，变量类型为推断）。
​

decompile 角色让模型把反汇编重写成近似 C。 它的产出与 Ghidra 反编译器、r2 内置 pdc 是同族但不同源，三种伪代码来源摆在一起看：

用法定位是「辅助人读」，不是「替代反编译器」；要进证据链的伪代码，用工具产出的那份。

五、四角色对照与常见坑

四个角色都是「单轮人机问答」——人发令、模型答。够快，但每一步都要人推。下一节松开手：ReAct 模式让模型自己决定发哪条 r2 命令。

本节要点回顾

• 安装一条命令：r2pm -Uci r2ai；后端先按样本敏感度选，密钥走环境变量。
• explain 最安全：只读、依据可肉眼核对；三问拆解提问更贴证据。
• autoname 写会话不落盘；批量加「保守命名」指令，采纳前核对依据，导出复核。
• vulns 给线索不给结论，仅限授权对象；decompile 可读性换正确性，不进证据链。
• 四角色对照表与常见坑表是日常速查卡。

手动挡用顺了，就会想要自动挡。下一节进入 ReAct 模式：模型自己思考、自己发命令、自己读结果，外加一个装着全部函数的本地 RAG 向量库。