2026-11-03 · Fuente:虎嗅·中继

El proyecto de código abierto REA conquistó GitHub con la promesa de que un agente 'revierta cualquier software por ti', aunque el sector profesional lo tilda de 'hype'. Detrás del debate se esconde una reescritura profunda del consumo de cómputo.
Entre el 4 y el 10 de octubre, el proyecto de código abierto REA sumó 78.800 estrellas en una semana y se colocó primero en toda la plataforma de GitHub esa semana; según datos de Star History, al cierre de esta edición su total se acerca a las 100.000 estrellas. Este proyecto, cuyo nombre completo es 'Reverse Engineer Anything' (invierte todo), propone una tercera vía: si te gusta una función de la app de otro, no hace falta escribir el código desde cero ni contratar a un ingeniero experto en ingeniería inversa para que lo desmonte durante días; basta con delegar la tarea a la IA. Su página principal lo dice sin rodeos: '¿Viste una función que quieres añadir a tu producto? Pide a tu agente que lo investigue con REA.'
Para entender por qué REA generó tanto ruido, hay que mirar el viejo mundo que está transformando. La ingeniería inversa era una destreza exclusiva de investigadores de seguridad y crackers: una vez compilado el software a código máquina, el código fuente resulta ilegible y solo queda reconstruir a la inversa el proceso, como desarmar un reloj mecánico sin plano, saltando entre descompiladores y depuradores; desmontar una sola función podía llevar días. La idea de REA es usar la interfaz MCP para conectar herramientas de desensamblado como Ghidra, IDA y Hopper con agentes de programación con IA como Claude Code, Codex y Cursor: el agente formula las preguntas y REA aporta la evidencia. Con una sola instrucción —'averigua cómo está implementada la búsqueda de tal app, muéstrame la evidencia y hazme algo similar en mi proyecto'—, él solo revisa el código máquina y devuelve la conclusión junto con las pruebas.
Vale la pena señalar que conectar la IA a herramientas de ingeniería inversa no es una novedad: proyectos como GhidraMCP e IDA Pro MCP ya lo intentaban el año pasado. La novedad de REA reside en bajar la barrera hasta que cualquier desarrollador corriente pueda usarlo. Parece una simple labor de ingeniería de encapsulación, pero implica que los que inician tareas de ingeniería inversa pasan de unos pocos expertos a millones de desarrolladores comunes. La reacción del gremio profesional es bastante ambigua: Elias Bachaalany, coautor del manual de referencia Practical Reverse Engineering, compartió la presentación de REA en X con una sola palabra: 'hype'.
Sin embargo, los casos mostrados en la página de REA son contundentes: partiendo de una llamada de efecto de sonido del clásico juego de romper ladrillos DX-Ball, el agente rastreó hasta la función que calcula el balance izquierdo-derecho según la posición de la bola, la reconstruyó en código C, superó 3.205 pruebas y compiló 63 bytes idénticos a los del original. Reproducir 63 bytes exactamente iguales partiendo de una pista de audio es una tarea de razonamiento forense de múltiples rondas y cadena larga, precisamente el arquetipo de tarea de alta densidad de cómputo. Cada hipótesis que plantea el agente implica invocar herramientas de desensamblado, leer grandes fragmentos de código máquina y sintetizar un juicio; su consumo de ventana de contexto y volumen de llamadas de inferencia superan con creces los escenarios habituales de autocompletado de código. Cuando la ingeniería inversa pasa de ser 'días de trabajo de un experto' a ser una 'tarea de agente que cualquiera puede lanzar', la curva de demanda de cómputo de inferencia inevitablemente se redibuja.
Para los compradores de cómputo de IA, este tipo de carga de trabajo presenta tres características claras: primero, la tarea se basa en llamadas multironda del agente, con un consumo de tokens de cola larga: una sola sesión de ingeniería inversa puede equivaler a cientos o miles de solicitudes de código convencionales; segundo, al usuario le importa más la estabilidad en contextos largos y la baja latencia, lo que exige mayor eficiencia de caché KV y capacidad de programación por lotes en los clústeres de inferencia; tercero, la demanda fluctúa violentamente con la popularidad de los proyectos de código abierto, y un caso viral como el de REA, que explotó en una semana, genera picos de cómputo concentrados al instante. Por eso, al dimensionar recursos de inferencia para un equipo o producto, conviene priorizar la evaluación de la elasticidad de escalado y los modelos de facturación por uso sobre el precio bruto por FLOP.
Tres recomendaciones desde la óptica de compras para los compradores del sector: primero, para aplicaciones tipo agente, validar antes el rendimiento real y la tasa de acierto de caché del proveedor en escenarios multironda de contexto largo, en lugar de fijarse solo en los FLOPs pico; segundo, vigilar la compatibilidad entre modelos de GPU y frameworks de inferencia, pues las tarjetas de entrenamiento de gama alta y las tarjetas de inferencia de gran memoria muestran diferencias de costo-beneficio notables en este tipo de tareas, que deben calcularse según el perfil propio de carga; tercero, comprobar si el proveedor ofrece facturación granular por token y monitoreo de consumo, algo que en el modo de llamadas de alta frecuencia de los agentes determina directamente la controlabilidad de los costos.
Información adicional del mercado: este modelo no cuenta actualmente con precios publicados a la venta. Esto sugiere que, al evaluar los recursos de inferencia pertinentes, el comprador debe basarse en cotizaciones en tiempo real y comparaciones multicanal, evitando tomar decisiones según precios históricos.
La misma semana, otro desarrollador anunció haber 'replicado' siete programas de la suite de Adobe con Claude Opus 5.5. Cuando días de trabajo se comprimen en una sola instrucción, la pregunta de si 'usar la IA para desmontar software' constituye un método de 'plagio' al alcance de todos ya está sobre la mesa de las comunidades de desarrolladores. Sea cual sea la conclusión, algo está claro: cuando los agentes empiezan a hacerse cargo del proceso mental más exigente, como la ingeniería inversa, la demanda liberada por los desarrolladores humanos acabará traduciéndose en un consumo de cómputo de inferencia aún mayor y más frecuente. Cómo absorba la oferta de cómputo esta ola definirá el panorama competitivo de la próxima etapa de la infraestructura de IA.
P: ¿Cuántas estrellas nuevas sumó REA en una semana y cuántas tiene en total?
R: Sumó 78.800 estrellas entre el 4 y el 10 de octubre, liderando esa semana toda la plataforma de GitHub; según datos de Star History, al cierre de esta edición su total se acerca a las 100.000.
P: ¿Qué tan contundente es el caso de ingeniería inversa de DX-Ball mostrado por REA?
R: Partiendo de una llamada de efecto de sonido, el agente rastreó la función que calcula el balance izquierdo-derecho y la reconstruyó en código C, superó 3.205 pruebas y compiló 63 bytes idénticos a los del original.
Etiquetas: REA · Claude Code · Elias Bachaalany · GitHub · Reverse Engineering · MCP
萬安算交所 AIXX · AIXX · Exchange verificado · Ir al mercado