aicodeking/leanrea

解决什么问题

让 Agent 分析一个闭源桌面应用时，它要么拿着通用 shell 命令瞎试，要么得靠一层重型工具封装把几十个专用包装暴露进来——两条路都费上下文、费时间。leanrea 换了个思路：只用一个 8 KB 的 skill 文件，告诉 Agent 面对哪类目标该用哪条最快的命令，附上可直接粘贴的侦察命令，并列出已知的坑，然后让 Agent 自己去跑 otool、nm、asar、jadx、go version -m 这些真实工具。

有什么不同

最直接的对照就是它自己拿来 benchmark 的 REA。REA 走 MCP 路线，带服务端、207 个工具定义和几十 KB 说明；leanrea 一个工具都不带，全部交给 Bash。README 给出的数据是：相比 REA 大约少 38% 实际耗时、低 35% 成本、少 60% token，准确率基本持平；相比完全不给 skill 也有大约 19% 更快、32% 更少轮次的收益。这个取舍很明确：leanrea 不替你写代码兜住边界情况，它的价值全在那张路由表和踩坑清单上，命令表没覆盖到的场景 Agent 只能自己发挥。

适合谁

已经熟悉 Mach-O、ELF、asar 和反汇编，并且日常用 Claude Code、Codex、Cursor、Gemini CLI 这类支持 skill 的 Agent 做取证、安全审计、恶意样本初筛或互操作性分析的开发者。想压低 MCP 上下文开销的团队也合适。如果你需要一个能被自己脚本调用的编程接口，这不是库，请绕开；如果目标平台以 Windows/Linux 为主也要谨慎，它的 benchmark 和 first moves 都偏 macOS，其他平台覆盖不全。

上手成本

安装几乎没有成本：npx skills add aicodeking/leanrea，或者把一个 Markdown 文件拷进 skills 目录 / 系统提示词。没有运行时，没有额外依赖，只用你本机已有的原生工具。真正的成本在信任：这是 7 天大的新项目、单一作者，准确率结论建立在每个格 3 次重复、单一模型、单台机器、手工答案键绑定特定 app 和 gh 版本、且测试时 Ghidra、Hopper、jadx 根本没装的前提下。MIT 协议没有法律障碍，但也没有任何维护记录可查。

点评

这是个典型的新项目吃到了陡峭的流量尖峰：创建仅一周，已进入 trending 新榜第 24 名、日均约 +263 star，关注度几乎全部来自和成熟对手的正面 benchmark。思路本身站得住，文件小到可以一口气读完审完，但证据比数字呈现出来的要薄。如果你本来就在干这类活、想削减 Agent 成本，值得一试；但别在正式的安全工作流里把它当作成熟工具的替代品。