THREE PILLARS
一个公式：方法论 × 编排 × 纪律
让 LLM 干好逆向，光有工具不够。三根支柱各解决一个问题：知识从哪来、并行怎么管、纪律怎么落地。
知识沉淀化 · Skill
五类知识库分别回答「分析什么 / 怎么对抗 / 用什么干 / 在哪干 / 怎么编排」。 每份 reference 自包含完整方法论，LLM 按意图路由读取——专家经验沉淀在文件里， 而不是堆在 prompt 里。
工作编排 · Agent Swarm
Coordinator 提出并拆分假设、维护假设树与证据库；Investigator 在有界上下文内并行调查； Reviewer 独立拉起、对抗评审候选结论。分支间只通过编号证据协同， 已证伪路径显式登记，不重复试错。
约束机制化 · Hooks & Lease
三层门禁：协议 → 工具层 runner/lease → 会话层 hooks。 frida 直连与无写锁的 IDB 写操作在入口即被拦截，回合结束 sweep 扫描残留违规——纪律长在代码里，不依赖 agent 自觉。
GLOBAL WORKFLOW
任何分析任务，都走同一条主循环
还原一个算法、破解一套保护、测绘一个攻击面——所有任务都在 Phase 0-4 主循环里推进：静态是默认主场，动态只在命中极限判据时切入，验证是不可跳过的质量门。
静态极限判据 = 控制流断流 / 数据断流 / 上下文断流 / 成本阈值 —— 命中任一即切动态，不硬啃。
WHY IT WORKS
对抗的不仅是混淆，还有 LLM 自己的坏习惯
LLM 有自己的失败模式：边读边猜、结论靠自信、约束靠自觉、单线程硬啃。这套方法论把每一种坏习惯都换成一条可执行、可检查的纪律。
「边读边猜」→「先建模后分析」
复杂函数先把建模做完——识别变量结构、定义结构体、定义变量类型、定义函数签名、 重命名——然后再重新反编译读逻辑。建模成果沉淀进 IDB，后续会话与 subagent 直接复用，而不是每次从零开始。
「结论靠自信」→「证据裁定」
任何静态还原结论，必须与 ground truth 逐字节对拍才可标 [已验证]；未对拍最高只能标 [已验证推断]。Investigator 无权宣布结论「已验证」——那要等独立 Reviewer 放行。
「prompt 约束靠自觉」→「机制强制」
frida CLI 直连、无 idb-* 写锁的 IDA 写类 MCP 调用，会被 hooks 直接拦截；写后即检报告硬编码地址与证据 schema，回合结束 sweep 扫描违规。约束不写在 prompt 里，长在工具链里。
「单线程硬啃」→「假设分支并行」
多个候选机制假设各开独立分支并行调查，分支间只通过编号证据协同； 已证伪路径显式登记进证据库，后续分支不再重复踩坑。真正需要串行的， 只有持租约的三个动态 checkpoint。
QUICK START
一条命令，装进你的 AI 工作台
克隆仓库、执行安装脚本，整个 skill 以 symlink 方式装入 ~/.catpaw/skills/—— 你的 AI 助手立刻获得全部方法论、脚本与工具手册。
git clone https://github.com/fuckreverse/llm-driven-re.git
cd llm-driven-re
./install.sh # symlink 安装到 ~/.catpaw/skills/