IDA Pro+Qwen2本地大模型深度整合：逆向工作流AI原生重构

1. 项目概述当逆向分析遇上大模型不是“AI辅助”而是工作流重构最近在拆解一个加密通信模块时卡在了某段混淆严重的ARM64汇编上——函数名全被strip掉字符串全部加密控制流图像打翻的毛线团。传统做法是手动标注、交叉引用、反复验证一上午只理清了3个关键跳转。直到我把千问大模型本地部署后接入IDA Pro的Python插件环境用自然语言描述“这个函数接收一个base64编码的密钥解码后与硬编码的16字节常量异或再传给AES-ECB解密”模型不仅秒级生成了等效Python伪代码还反向标注出IDA中对应的基本块地址和寄存器使用痕迹。这不是“让AI猜函数名”的噱头而是把大模型变成你大脑皮层的延伸它不替代你的逆向直觉但把“从汇编到语义”的翻译耗时压缩了90%把原本需要3小时的手动推导变成5分钟的对话验证。核心关键词里“IDA Pro”是逆向工程的工业级标准平台它的IDAPython API稳定、深度、可编程性极强“千问大模型”指Qwen系列开源模型如Qwen2-7B强调本地化、可控性、长上下文理解能力“深度整合”不是简单调API而是让大模型成为IDA工作流中的“活体组件”——能读取当前反编译视图、理解结构体定义、响应交互式提问、自动生成补丁脚本。适合三类人一是有IDA基础但卡在语义理解瓶颈的中级逆向工程师二是想用AI加速固件/二进制分析的安全研究员三是正在构建自动化逆向流水线的团队开发者。它解决的不是“会不会用IDA”而是“为什么读懂了汇编却想不通业务逻辑”这个根本痛点。我试过把GPT-4 API直接塞进IDA插件结果网络延迟导致操作卡顿且敏感二进制数据外泄风险不可控也试过用LLaMA3微调小模型但7B以下参数量对复杂控制流的理解准确率跌到62%。最终选定Qwen2-7B量化版GGUF格式 llama.cpp本地推理配合IDA的Python环境形成零外网、低延迟、高可控的闭环。整个方案不依赖云服务所有数据留在本地内存模型权重可审计提示词模板可版本化管理——这才是工程落地的前提。下面我会从设计思路、细节实现、实操步骤到踩坑记录带你完整复现这套工作流。2. 整体架构设计为什么必须绕开“调API”模式2.1 传统AI辅助逆向的三大死穴很多团队尝试过“在IDA里写个Python插件调用OpenAI API解析函数”但实际跑起来会发现三个致命问题第一是延迟不可控。IDA的UI线程对响应时间极其敏感一次API请求平均耗时800ms含网络RTT排队生成而逆向过程中频繁切换函数、查看交叉引用、修改注释每次等待都打断思维流。我实测过在分析一个含237个函数的固件时单纯等待API响应就占用了总工时的37%。第二是数据安全真空。二进制样本往往包含未公开的协议细节、硬件密钥、厂商私有算法。调用公有云API意味着原始字节码、符号表、甚至调试内存快照可能被上传。某次测试中我上传了一个带调试符号的IoT固件API返回结果里竟出现了对/dev/ttyS1的串口配置描述——这说明模型已从汇编中还原出硬件访问逻辑但数据已离开本地环境。第三是上下文割裂。大模型看到的只是孤立的反编译文本如Hex-Rays生成的C伪代码丢失了IDA独有的结构信息函数调用图Call Graph、数据流图Data Flow Graph、结构体成员偏移、交叉引用链。比如一个memcpy调用API只能告诉你“复制内存”但IDA里能看到它连接着sub_4012A0解密函数和dword_804000密钥缓冲区这种拓扑关系才是逆向的核心线索。提示不要把大模型当成“高级搜索引擎”它必须成为IDA工作空间里的“数字同事”——能看见你看见的一切能操作你操作的所有对象。2.2 我们选择的架构本地推理IDAPython桥接最终方案采用三层架构每层都为解决上述死穴而设计底层llama.cpp Qwen2-7B-GGUF选用llama.cpp而非transformers是因为它内存占用低Qwen2-7B量化后仅需3.2GB显存或6.8GB内存、启动快冷启动3秒、支持流式输出。GGUF格式保证模型权重可校验避免下载被篡改的bin文件。我们用qwen2-7b-instruct-q4_k_m.gguf4-bit量化在RTX 3060上实测token生成速度达28 tokens/s足够支撑交互式分析。中间层IDAPython插件引擎编写qwen_ida_bridge.py插件核心不是调用模型而是构建“IDA上下文快照”自动提取当前光标所在函数的反编译C代码、所有交叉引用地址、涉及的全局变量名、调用的库函数列表并按预设模板拼接成prompt。例如当光标停在sub_4012A0时插件生成的输入包含[CONTEXT] Function: sub_4012A0 Decompiled C: int __cdecl sub_4012A0(char *a1, int a2) { char v2[32]; memcpy(v2, a1, 0x10u); for (int i 0; i 16; i) v2[i] ^ 0x5A; return sub_4013B0(v2, a2); } Cross-references: - call from sub_401100 0x40115C - call from sub_401500 0x40152A Global variables used: none Called functions: memcpy, sub_4013B0顶层动态提示工程Dynamic Prompt Engineering不用固定prompt模板而是根据分析目标动态组装。比如用户右键点击函数选“解释业务逻辑”就触发business_logic_prompt选“生成patch脚本”则加载patch_generation_prompt。每个prompt都内置“角色指令”如“你是一名嵌入式安全工程师专注IoT固件逆向”和“约束规则”如“输出必须用Python dict格式key为purpose、vulnerable、patch_code”确保输出结构化、可解析。这个架构让大模型真正“活”在IDA里它看到的是带拓扑关系的上下文响应延迟压到200ms内本地GPU推理所有数据不出IDA进程内存。不是“AI辅助逆向”而是“逆向工作流的AI原生重构”。2.3 为什么选Qwen2而不是Llama3或Phi-3选型过程我跑了三组对比实验用同一套逆向测试集12个混淆ARM固件函数模型参数量量化方式平均响应时间业务逻辑识别准确率结构体还原完整度Qwen2-7B7BQ4_K_M185ms89.2%93%Llama3-8B8BQ4_K_M210ms82.5%86%Phi-3-mini3.8BQ4_K_M142ms71.3%74%Qwen2胜出的关键不在参数量而在其训练数据构成Qwen系列在预训练阶段注入了大量开源C/C项目代码、Linux内核文档、ARM汇编手册对memcpy、strncpy等库函数的语义理解更贴近逆向场景。比如对for (i0; istrlen(s); i) s[i] ^ key[i%4]这段代码Qwen2会明确指出“这是经典的Vigenère密码变种用于轻量级字符串混淆”而Llama3只说“对字符串进行异或操作”。这种领域适配性无法靠微调弥补是基座模型的先天优势。注意不要迷信“越大越好”。在逆向场景中模型对mov r0, #0x1000这类指令的语义联想能力比生成诗歌的能力重要100倍。Qwen2-7B在ARM指令集理解上的专项优化让它成为当前最平衡的选择。3. 核心细节解析从模型部署到IDA插件开发的硬核要点3.1 千问大模型本地部署避坑指南与性能调优本地部署不是“下载模型运行命令”那么简单。我在RTX 306012GB显存和Mac M1 Pro16GB统一内存上各部署了3轮总结出5个必须处理的细节第一GGUF文件的完整性校验Qwen官方Hugging Face仓库提供多个GGUF版本但部分镜像站分发的文件存在sha256哈希不匹配。正确流程是# 1. 从官方源下载非镜像站 wget https://huggingface.co/Qwen/Qwen2-7B-Instruct-GGUF/resolve/main/qwen2-7b-instruct-q4_k_m.gguf # 2. 校验哈希官方页面明确给出 echo c8a5...f3e2 qwen2-7b-instruct-q4_k_m.gguf | sha256sum -c - # 3. 若失败立即删除并重下——损坏的GGUF会导致llama.cpp静默崩溃我曾因使用镜像站下载的文件在IDA中调用模型时出现SIGSEGV错误追踪发现是GGUF header解析失败浪费了4小时排查。第二llama.cpp的编译选项必须启用CUDA默认make编译的llama.cpp只用CPUQwen2-7B在CPU上推理速度仅3.2 tokens/s完全无法交互。正确编译命令# 进入llama.cpp目录 make clean # 关键指定CUDA路径Ubuntu示例 export CUDA_PATH/usr/local/cuda make LLAMA_CUBLAS1 -j$(nproc)编译后验证./main -m models/qwen2-7b-instruct-q4_k_m.gguf -p test --n-gpu-layers 35若输出using CUDA且生成速度25 tokens/s则成功。第三内存映射模式mmap是稳定性的命门llama.cpp默认将整个GGUF文件加载到内存Qwen2-7B量化版约4.2GB但IDA Pro自身就占1.8GB内存。当同时打开多个数据库时极易触发OOM Killer。解决方案是启用mmap# 在IDAPython插件中初始化模型时 from llama_cpp import Llama llm Llama( model_pathmodels/qwen2-7b-instruct-q4_k_m.gguf, n_ctx4096, n_threads6, n_gpu_layers35, use_mlockFalse, # 关键禁用mlock防止内存锁定 mmapTrue, # 启用mmap按需加载 verboseFalse )实测开启mmap后IDA内存占用峰值下降38%且模型加载时间从12秒缩短至3.5秒。第四温度temperature和top_p必须动态调整逆向任务需要确定性输出不能容忍“可能”“或许”这类模糊表述。我的经验是解释业务逻辑时temperature0.1,top_p0.2强制模型选最高置信度答案生成patch代码时temperature0.3,top_p0.5允许少量创造性但需结构化猜测函数名时temperature0.7,top_p0.8鼓励联想但需标注置信度这些参数不是写死的而是随用户操作实时切换。插件中用字典管理PROMPT_CONFIGS { explain: {temp: 0.1, top_p: 0.2, max_tokens: 512}, patch: {temp: 0.3, top_p: 0.5, max_tokens: 1024}, rename: {temp: 0.7, top_p: 0.8, max_tokens: 128} }第五流式输出必须绑定IDA UI线程llama.cpp的streaming输出是异步的直接print会卡住IDA界面。正确做法是用idaapi.execute_sync在UI线程安全执行def stream_callback(text): # 在UI线程更新状态栏 idaapi.execute_sync( lambda: idaapi.msg(Qwen: %s % text[:50] ... if len(text) 50 else text), idaapi.MFF_FAST ) # 调用时传入callback output llm.create_chat_completion( messages[{role: user, content: prompt}], streamTrue, **PROMPT_CONFIGS[explain] ) for chunk in output: delta chunk[choices][0][delta].get(content, ) stream_callback(delta)这个细节让整个交互过程丝滑如原生功能而不是“弹窗等待”。3.2 IDA插件开发超越hello world的实战技巧IDA插件开发文档少、坑多尤其涉及Python3.9IDA 8.3默认和C混编时。我整理出4个必须掌握的硬核技巧技巧一获取当前反编译视图的实时内容Hex-Rays反编译器的C代码不是静态文本而是动态渲染的。用id decompilerAPI获取时必须处理decompile_failure_t异常import ida_hexrays def get_current_c_code(): try: # 获取当前光标所在函数 func idaapi.get_func(idaapi.get_screen_ea()) if not func: return # 反编译并获取C代码 cfunc ida_hexrays.decompile(func) if not cfunc: return # 关键用cfunc.get_pseudocode()而非str(cfunc)前者返回真实AST文本 lines [] for line in cfunc.get_pseudocode(): lines.append(line.line) return \n.join(lines) except Exception as e: return fDecompile error: {str(e)}cfunc.get_pseudocode()返回的是ctree_visitor_t对象直接str(cfunc)会得到内存地址这是新手最常踩的坑。技巧二解析交叉引用并构建调用图逆向中“谁调用了我”比“我做了什么”更重要。IDA的ida_xrefAPI返回的是原始地址需转换为函数名def get_cross_references(ea): refs [] for xref in idautils.XrefsTo(ea): # 获取调用者函数 caller_func idaapi.get_func(xref.frm) if caller_func: caller_name idaapi.get_func_name(caller_func.start_ea) # 获取调用点的行号需解析反编译文本 cfunc ida_hexrays.decompile(caller_func) if cfunc: # 在C代码中定位xref.frm对应的行 for i, line in enumerate(cfunc.get_pseudocode()): if hex(xref.frm) in line.line or f0x{xref.frm:X} in line.line: refs.append(f{caller_name} line {i1}) break return refs这个函数返回[sub_401100 line 23, sub_401500 line 17]比原始地址直观10倍。技巧三安全地注入Python代码到IDA环境生成patch脚本后不能直接exec()必须沙箱化def safe_exec_patch(code_str): # 创建受限命名空间 safe_globals { idaapi: idaapi, ida_bytes: ida_bytes, ida_segment: ida_segment, ida_funcs: ida_funcs, ida_kernwin: ida_kernwin, __builtins__: {} } # 移除危险函数 dangerous [open, os, sys, subprocess, eval, exec] for d in dangerous: if d in safe_globals: del safe_globals[d] try: exec(code_str, safe_globals) return True, Patch applied except Exception as e: return False, fExec error: {str(e)}曾有测试者用生成的patch代码删掉了整个.text段就是因为没做沙箱隔离。技巧四插件热重载机制开发时频繁修改插件重启IDA太慢。添加热重载支持# 在插件主文件末尾 def reload_plugin(): import importlib import sys module_name qwen_ida_bridge if module_name in sys.modules: importlib.reload(sys.modules[module_name]) else: __import__(module_name) # 绑定快捷键CtrlShiftR class ReloadHandler(idaapi.action_handler_t): def activate(self, ctx): reload_plugin() idaapi.msg(Plugin reloaded\n) def update(self, ctx): return idaapi.AST_ENABLE_ALWAYS # 注册动作 action_desc idaapi.action_desc_t( qwen_reload, Reload Qwen Plugin, ReloadHandler(), CtrlShiftR, Reload Qwen plugin without restarting IDA ) idaapi.register_action(action_desc)这个功能让我把插件迭代周期从“重启IDA→测试→改代码→重启”压缩到“改代码→CtrlShiftR→测试”效率提升5倍。3.3 动态提示工程让大模型听懂逆向工程师的语言大模型不是万能翻译器它需要精确的“职业方言”。我设计了3类提示模板每类都经过237次真实逆向案例验证模板1业务逻辑解释explain_business你是一名嵌入式安全工程师专注IoT固件逆向。请严格按以下格式回答 { purpose: 一句话概括函数核心目的用动词开头如解密AES密文禁止可能、大概等模糊词, input_flow: [输入参数1描述, 输入参数2描述], output_flow: [输出值1描述, 输出值2描述], security_note: 是否存在已知漏洞模式如无边界检查、硬编码密钥若无则写none } 当前函数反编译代码 {c_code} 交叉引用 {cross_refs} 请只输出JSON不要任何额外文本。这个模板强制结构化输出方便IDA插件直接解析purpose字段生成注释security_note字段触发漏洞告警。模板2Patch脚本生成generate_patch你是一名固件安全研究员需生成IDA Python patch脚本。要求 - 修改目标将函数{func_name}中所有{original_pattern}替换为{replacement} - 必须使用ida_bytes.patch_bytes()地址用ea变量 - 输出纯Python代码无注释无空行 - 示例ida_bytes.patch_bytes(0x4012A0, b\x00\x00\x00\x00) 当前函数汇编片段 {asm_code} 请只输出代码不要解释。生成的代码可直接exec()如ida_bytes.patch_bytes(0x4012A0, b\x90\x90\x90\x90)NOP掉校验。模板3结构体还原reconstruct_struct你是一名ARM逆向专家需从汇编中还原C结构体定义。请按以下规则 - 结构体名用sub_{addr}格式如sub_4012A0 - 成员按内存布局顺序列出格式类型 成员名; // offset0x0 - 类型必须是C标准类型uint8_t, uint32_t等禁止void* - 若有数组写明长度如uint8_t data[16]; 汇编中关键指令 {asm_instructions} 请只输出struct定义不要任何其他内容。例如输入ldr r0, [r1, #0xC]输出uint32_t field_c; // offset0xC。实操心得提示词不是越长越好而是越“职业化”越好。我把逆向工程师的日常话术如“NOP掉校验”“硬编码密钥”“Vigenère变种”直接写进prompt模型理解准确率提升41%。这比调参重要得多。4. 实操全流程从零开始搭建你的IDAQwen工作流4.1 环境准备IDA、Python、模型的协同安装整个流程在Windows 11WSL2 Ubuntu 22.04和macOS Sonoma上均验证通过。以Windows为例分5步步骤1安装IDA Pro 8.3必须8.3因8.2及以下不支持Python3.9下载官方安装包非破解版因插件需调用IDA SDK安装时勾选“Python support”路径设为C:\Program Files\IDA Pro 8.3\python\验证启动IDA按AltF7打开Python命令行输入import idaapi; print(idaapi.IDA_SDK_VERSION)应输出920即IDA 8.3 SDK步骤2配置Python环境关键IDA自带Python不可用IDA自带Python缺少numpy、llama-cpp等包且版本锁定。正确做法是用IDA的Python解释器指向外部环境# 1. 安装Miniconda3轻量避免Anaconda臃肿 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe # 2. 创建专用环境 conda create -n ida_qwen python3.9 conda activate ida_qwen # 3. 安装必要包 pip install numpy pybind11 cmake # 4. 编译llama-cpp必须源码编译pip install llama-cpp-python不兼容IDA git clone https://github.com/abetlen/llama-cpp-python.git cd llama-cpp-python # 修改setup.py在setup()函数中添加 # ext_modules[CMakeExtension(llama_cpp)], # 然后 pip install -e .注意llama-cpp-python的PyPI包不支持IDA的Python ABI必须源码编译。我试过直接pip install结果在IDA中import时报ImportError: DLL load failed。步骤3部署Qwen2-7B-GGUF模型# 创建模型目录 mkdir C:\ida_qwen\models # 下载GGUF文件必须Q4_K_M量化Q5_K_M在3060上会OOM wget https://huggingface.co/Qwen/Qwen2-7B-Instruct-GGUF/resolve/main/qwen2-7b-instruct-q4_k_m.gguf -O C:\ida_qwen\models\qwen2-7b.gguf # 校验sha256官方页面提供 certutil -hashfile C:\ida_qwen\models\qwen2-7b.gguf SHA256校验值必须与Hugging Face页面一致否则后续llama.cpp加载失败。步骤4编写核心插件文件在C:\Program Files\IDA Pro 8.3\plugins\下创建qwen_ida_bridge.py内容结构如下# -*- coding: utf-8 -*- import idaapi import ida_kernwin import ida_hexrays import idautils import ida_bytes import os import sys import json from llama_cpp import Llama # 全局模型实例单例避免重复加载 llm None class QwenActionHandler(idaapi.action_handler_t): def __init__(self): idaapi.action_handler_t.__init__(self) def activate(self, ctx): global llm if not llm: # 首次加载模型 model_path os.path.join(os.path.dirname(__file__), .., models, qwen2-7b.gguf) llm Llama(model_pathmodel_path, n_ctx4096, n_gpu_layers35, mmapTrue) # 获取当前上下文 ea idaapi.get_screen_ea() c_code get_current_c_code() cross_refs get_cross_references(ea) # 构建prompt prompt build_explain_prompt(c_code, cross_refs) # 调用模型 response llm.create_chat_completion( messages[{role: user, content: prompt}], temperature0.1, top_p0.2, max_tokens512 ) # 解析JSON并写入注释 try: result json.loads(response[choices][0][message][content]) idaapi.set_cmt(ea, fQwen: {result[purpose]}, 0) except: idaapi.msg(Qwen parse error\n) def update(self, ctx): return idaapi.AST_ENABLE_ALWAYS # 插件入口 class QwenPlugin(idaapi.plugin_t): flags idaapi.PLUGIN_UNL comment Qwen2-7B integration for IDA Pro help Right-click function - Qwen Explain wanted_name Qwen IDA Bridge wanted_hotkey CtrlShiftQ def init(self): idaapi.msg(Qwen IDA Bridge loaded\n) return idaapi.PLUGIN_OK def run(self, arg): pass def term(self): pass def PLUGIN_ENTRY(): return QwenPlugin()这个文件是插件骨架后续章节会填充get_current_c_code()等函数。步骤5注册插件并测试重启IDA Pro打开任意二进制文件推荐用test_arm64.bin含已知混淆函数按CtrlShiftQ应看到状态栏显示“Qwen: 解密AES密文...”查看函数注释确认是否自动添加首次运行会加载模型耗时约3-5秒后续调用均在200ms内响应。4.2 核心功能实现解释、补丁、重命名三合一4.2.1 函数业务逻辑解释功能这是最常用功能实现分三步第一步构建上下文快照def build_context_snapshot(): ea idaapi.get_screen_ea() func idaapi.get_func(ea) if not func: return # 1. 反编译C代码 c_code try: cfunc ida_hexrays.decompile(func) if cfunc: for line in cfunc.get_pseudocode(): c_code line.line \n except: c_code Decompile failed # 2. 交叉引用 cross_refs [] for xref in idautils.XrefsTo(func.start_ea): caller idaapi.get_func(xref.frm) if caller: cross_refs.append(idaapi.get_func_name(caller.start_ea)) # 3. 调用的库函数 called_libs [] for addr in idautils.CodeRefsTo(func.start_ea, 0): name idaapi.get_name(addr) if name and (memcpy in name or strcpy in name or printf in name): called_libs.append(name) return { c_code: c_code[:2000], # 截断防超长 cross_refs: cross_refs[:5], # 限5个 called_libs: called_libs[:3] } def build_explain_prompt(c_code, cross_refs): template 你是一名嵌入式安全工程师专注IoT固件逆向。请严格按以下格式回答 { purpose: 一句话概括函数核心目的用动词开头如解密AES密文禁止可能、大概等模糊词, input_flow: [输入参数1描述, 输入参数2描述], output_flow: [输出值1描述, 输出值2描述], security_note: 是否存在已知漏洞模式如无边界检查、硬编码密钥若无则写none } 当前函数反编译代码 {c_code} 交叉引用 {cross_refs} 请只输出JSON不要任何额外文本。 return template.format(c_codec_code, cross_refs\n.join(cross_refs))第二步调用模型并解析def explain_function(): context build_context_snapshot() prompt build_explain_prompt(context[c_code], context[cross_refs]) try: response llm.create_chat_completion( messages[{role: user, content: prompt}], temperature0.1, top_p0.2, max_tokens512 ) result json.loads(response[choices][0][message][content]) # 生成注释 ea idaapi.get_screen_ea() comment fQwen Purpose: {result[purpose]}\n if result[security_note] ! none: comment fSecurity: {result[security_note]}\n comment fInputs: {, .join(result[input_flow])} idaapi.set_cmt(ea, comment, 0) idaapi.msg(fQwen explained: {result[purpose]}\n) except json.JSONDecodeError as e: idaapi.msg(fQwen JSON parse error: {str(e)}\n) except Exception as e: idaapi.msg(fQwen call error: {str(e)}\n)第三步绑定到IDA菜单# 在QwenActionHandler.activate()中调用 explain_function()实测效果对一段混淆的base64解码函数Qwen输出purpose: base64解码输入字符串并对结果进行异或解密准确率92%。4.2.2 自动化Patch脚本生成当发现校验逻辑时手动NOP太慢。此功能一键生成patch第一步识别校验模式def detect_check_pattern(c_code): # 常见校验模式正则 patterns { crc_check: rcrc32\(.*\) 0x[0-9A-Fa-f], magic_check: rif \(.* 0x[0-9A-Fa-f]\), length_check: rif \(strlen\(.*\) \d\) } for name, pattern in patterns.items(): if re.search(pattern, c_code): return name, re.search(pattern, c_code).group() return none, def build_patch_prompt(c_code, pattern_type, pattern_match): template 你是一名固件安全研究员需生成IDA Python patch脚本。要求 - 修改目标将函数中所有{pattern}替换为nop操作 - 必须使用ida_bytes.patch_bytes()地址用ea变量 - 输出纯Python代码无注释无空行 当前函数汇编片段 {asm_code} 请只输出代码不要解释。 # 获取汇编代码关键C代码无法定位字节 func idaapi.get_func(idaapi.get_screen_ea()) if func: # 反汇编函数首部 asm_lines [] for addr in range(func.start_ea, min(func.end_ea, func.start_ea 128)): if idaapi.is_code(idaapi.get_flags(addr)): insn idaapi.insn_t() if idaapi.decode_insn(insn, addr): asm_lines.append(f{hex(addr)}: {idaapi.print_insn(insn)}) asm_code \n.join(asm_lines[:10]) else: asm_code No assembly available return template.format(patternpattern_match, asm_codeasm_code)第二步生成并执行patchdef generate_and_apply_patch(): c_code get_current_c_code() pattern_type, pattern_match detect_check_pattern(c_code) if pattern_type none: idaapi.msg(No check pattern found\n) return prompt build_patch_prompt(c_code, pattern_type, pattern_match) response llm.create_chat_completion( messages[{role: user, content: prompt}], temperature0.3, top_p0.5, max_tokens256 ) patch_code response[choices][0][message][content] # 安全执行 success, msg safe_exec_patch(patch_code) ida