← Accueil actu | Salle du marché
2026-11-03 · Source:虎嗅·中继

Le projet open source REA a grimpé au sommet de GitHub avec la promesse de « faire tout rétro-ingénierier par un agent », mais les professionnels hurlent au « hype ». Derrière ce débat, une réécriture profonde de la structure de consommation de la puissance de calcul par les agents de codage IA.
Du 4 au 10 octobre, le projet open source REA a gagné 78 800 étoiles en une semaine, décrochant la première place toutes plateformes confondues sur GitHub pour cette période ; selon les données de Star History, son total approchait les 100 000 étoiles au moment de la rédaction. Ce projet, dont le nom complet est « Reverse Engineer Anything » (rétro-ingénierie de tout), propose une troisième voie : plutôt que de réécrire soi-même de zéro une fonction repérée dans l'application d'un concurrent, ou de payer un ingénieur en rétro-ingénierie pour plusieurs jours de désassemblage, on confie la tâche à l'IA. La présentation sur sa page d'accueil est limpide : « Vu une fonction que vous aimeriez intégrer à votre produit ? Demandez à votre agent de l'examiner avec REA. »
Pour comprendre pourquoi REA a suscité un tel écho, il faut d'abord saisir l'ancien monde qu'il bouleverse. La rétro-ingénierie était jusqu'ici l'apanage des chercheurs en sécurité et des crackers : une fois le logiciel compilé en code machine, le code source devient illisible, et il ne reste qu'à reconstituer le fonctionnement à rebours, comme démonter une montre mécanique sans plan, en jonglant entre désassembleurs et débogueurs ; décortiquer une seule fonction prenait souvent plusieurs jours. L'idée de REA consiste à utiliser l'interface MCP pour connecter des outils de désassemblage comme Ghidra, IDA ou Hopper à des agents de codage IA tels que Claude Code, Codex ou Cursor — l'agent pose les questions, REA fournit les preuves. Il suffit d'une instruction du type « détermine comment la fonction de recherche de telle application est implémentée, montre-moi les preuves, puis fais-en un équivalent dans mon projet », et l'agent fouille lui-même le code machine avant de restituer ses conclusions accompagnées des preuves.
Il convient de noter que connecter l'IA à des outils de rétro-ingénierie n'est pas une première : des projets comme GhidraMCP ou IDA Pro MCP s'y essayaient déjà l'an dernier. La nouveauté de REA tient à avoir abaissé la barrière à un niveau accessible aux développeurs ordinaires. Cette étape, qui ressemble à un simple travail d'ingénierie d'encapsulation, signifie en réalité que l'initiation de tâches de rétro-ingénierie passe d'une poignée d'experts à des millions de développeurs lambda. Le milieu professionnel affiche pour sa part une attitude ambiguë : Elias Bachaalany, co-auteur du manuel de référence « Practical Reverse Engineering », a repartagé la présentation de REA sur X avec un seul mot en commentaire : « hype ».
Mais les cas présentés sur la page d'accueil de REA sont redoutablement solides — l'agent est parti d'un simple appel sonore dans le classique casse-briques DX-Ball, a remonté jusqu'à la fonction calculant les canaux gauche et droit selon la position de la balle, l'a restaurée en code C, a réussi 3 205 séries de tests, et les 63 octets compilés sont strictement identiques à l'original. Partir d'une simple piste d'appel sonore pour aboutir à la reproduction exacte de 63 octets : ce raisonnement probatoire en chaîne longue et multi-tours est précisément une tâche à très haute densité de calcul. À chaque hypothèse émise, l'agent doit invoquer les outils de désassemblage, lire de vastes fragments de code machine et synthétiser un jugement, soit une consommation de fenêtre contextuelle et un volume d'appels d'inférence très supérieurs à un scénario ordinaire de complétion de code. Quand la rétro-ingénierie passe de « plusieurs jours de travail d'expert » à « tâche d'agent accessible à tous », la courbe de demande en puissance d'inférence sous-jacente doit forcément être redessinée.
Pour les acheteurs de puissance de calcul IA, ce type de charge de travail présente trois caractéristiques manifestes : d'abord, la tâche repose essentiellement sur des appels multi-tours d'agents, avec une consommation de tokens qui s'amplifie en longue traîne — une session de rétro-ingénierie peut représenter l'équivalent de centaines, voire de milliers de requêtes de codage ordinaires ; ensuite, les utilisateurs sont plus sensibles à la stabilité du traitement de longs contextes et à la réactivité en faible latence, ce qui exige davantage des clusters d'inférence en matière d'efficacité du cache KV et de capacité d'ordonnancement par lots ; enfin, la demande fluctue brutalement au gré de la popularité des projets open source — un succès viral en une semaine comme REA crée instantanément des pics de calcul concentrés. Dès lors, lors du choix de ressources d'inférence pour une équipe ou un produit, la capacité d'extension élastique et la facturation à l'usage méritent souvent d'être évaluées en priorité plutôt que le prix unitaire de la puissance brute.
Trois recommandations, en perspective achats, pour les acheteurs du secteur : premièrement, pour les applications de type agent, vérifier en priorité le débit réel et le taux d'atteinte du cache du fournisseur en contexte long multi-tours, plutôt que de se fier aux FLOPS crête ; deuxièmement, surveiller la compatibilité entre les modèles de GPU et les frameworks d'inférence — les écarts de rapport coût-performance entre cartes d'entraînement haut de gamme et cartes d'inférence à forte mémoire sont significatifs sur ce type de tâche, et doivent être évalués au regard de son propre profil de charge ; troisièmement, vérifier si le fournisseur offre une facturation au token à grain fin et une supervision de la consommation, ce qui détermine directement la maîtrise des coûts en mode d'appels d'agents à haute fréquence.
Autre information du marché : aucune donnée de prix affiché n'est actuellement disponible pour ce modèle. Cela invite les acheteurs, lors de l'évaluation des ressources d'inférence concernées, à s'appuyer sur des devis en temps réel et des comparaisons multicanales, plutôt que sur des prix affichés historiques.
La même semaine, un développeur a par ailleurs annoncé avoir « répliqué » sept logiciels de la suite Adobe avec Claude Opus 5.5. Quand plusieurs jours de travail se compressent en une instruction d'une phrase, le « démontage de logiciels par l'IA » relève-t-il d'une « méthode de plagiat » accessible à tous ? Ce débat sur les frontières est désormais posé sur la place des communautés de développeurs. Quelle que soit la conclusion, un point est déjà clair : quand les agents commencent à prendre en charge le processus mental le plus ardu qu'est la rétro-ingénierie, la demande libérée par les développeurs humains finira par se traduire en une consommation de puissance d'inférence plus massive et plus fréquente. La manière dont l'offre de calcul accueillera cette vague déterminera la configuration concurrentielle de la prochaine étape des infrastructures IA.
Q : Combien d'étoiles le projet REA a-t-il gagnées en une semaine, et quel est son total ?
R : 78 800 étoiles gagnées entre le 4 et le 10 octobre, décrochant la première place toutes plateformes sur GitHub pour cette semaine ; selon Star History, le total approchait les 100 000 étoiles au moment de la rédaction.
Q : À quel point le cas de rétro-ingénierie de DX-Ball présenté par REA est-il impressionnant ?
R : L'agent est parti d'un appel sonore pour remonter jusqu'à la fonction calculant les canaux gauche et droit, l'a restaurée en code C, a réussi 3 205 séries de tests, et les 63 octets compilés sont strictement identiques à l'original.
Mots-clés: REA · Claude Code · Elias Bachaalany · GitHub · Reverse Engineering · MCP
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle