3、大模型基础：主流大模型对比与API调用

做逆向工程这么多年，我越来越觉得大模型是个好帮手。尤其是用Ghidra分析那些晦涩的二进制文件时，有个AI在旁边搭把手，效率能翻好几倍。

但问题来了——市面上大模型那么多，到底该选哪个？API怎么搞？今天我就把这几年的经验掰开揉碎，跟你聊聊。

3.1 主流大模型：谁更适合逆向？

先说说我用过的几个主流模型。说实话，没有绝对的好坏，关键看场景。

模型	优势	劣势	适合场景
GPT-4	代码理解强，上下文长	贵，有网络延迟	复杂逆向分析、反编译代码解读
Claude 3.5	安全审查少，数学推理好	中文支持略弱	恶意代码分析、算法还原
本地模型（如DeepSeek-Coder）	免费，离线可用，隐私安全	能力弱于云端模型	日常辅助、敏感代码分析

我个人习惯是：核心分析用GPT-4，批量处理用本地模型。为什么？因为GPT-4对反编译代码的理解确实到位，但每次调用都花钱，心疼啊。

3.2 API Key获取：三步搞定

说白了，API Key就是你的通行证。没有它，大模型不搭理你。

3.2.1 GPT-4 API Key

1. 访问 platform.openai.com，注册账号
2. 进入API Keys页面，点击「Create new secret key」
3. 复制Key，保存好（关闭页面后就看不到了）

3.2.2 Claude API Key

1. 去 console.anthropic.com 注册
2. 在API Keys页面生成Key
3. 注意：Claude的API和网页版是分开计费的

我记得第一次用Claude时，以为网页版和API通用，结果调了半天报错。后来才发现，API需要单独申请权限。

3.2.3 本地模型部署

本地模型不需要API Key，但需要自己部署。我用的是Ollama，简单粗暴：

# 安装Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 下载模型（以DeepSeek-Coder为例）
ollama pull deepseek-coder:6.7b

# 启动服务
ollama serve

部署好后，本地就有一个兼容OpenAI格式的API端点：http://localhost:11434/v1。你想想看，这不就省钱了嘛。

3.3 API调用方式：Python实战

不管用哪个模型，调用方式都差不多。我习惯用Python的openai库，因为它兼容性最好。

3.3.1 通用调用模板

import openai

# 配置API
client = openai.OpenAI(
    api_key="你的API_KEY",
    base_url="https://api.openai.com/v1"  # 本地模型改成 http://localhost:11434/v1
)

# 发送请求
response = client.chat.completions.create(
    model="gpt-4",  # 本地模型改成 "deepseek-coder"
    messages=[
        {"role": "system", "content": "你是一个逆向工程专家，擅长分析Ghidra反编译代码。"},
        {"role": "user", "content": "请解释这段反编译代码的功能：\n" + decompiled_code}
    ],
    temperature=0.3,  # 逆向分析建议用低温度
    max_tokens=2000
)

print(response.choices[0].message.content)

3.3.2 流式输出（适合长分析）

如果分析结果很长，等全部返回太慢了。用流式输出，边生成边显示：

stream = client.chat.completions.create(
    model="gpt-4",
    messages=[...],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

这招在分析大段反编译代码时特别好用。你想想看，一边看结果一边思考，不用干等。

3.4 模型选择决策流程

说了这么多，到底怎么选？我画了张图，帮你理清思路：

这张图的核心逻辑很简单：涉密用本地，非涉密看复杂度。复杂分析上GPT-4，简单任务用Claude。别纠结，选对了能省一半时间。

3.5 实战：在Ghidra中调用大模型

最后，给你看看我在Ghidra里怎么用。写个Python脚本，直接调用API：

# ghidra_bridge_ai.py
import openai
from ghidra.program.model.listing import Function

def analyze_function(func):
    """用大模型分析Ghidra中的函数"""
    # 获取反编译代码
    decompiled = decompile(func)
    
    # 调用API
    client = openai.OpenAI(api_key="你的KEY")
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是Ghidra逆向助手，分析反编译代码。"},
            {"role": "user", "content": f"分析函数 {func.getName()} 的功能：\n{decompiled}"}
        ]
    )
    
    return response.choices[0].message.content

# 使用示例
current_func = getCurrentFunction()
if current_func:
    result = analyze_function(current_func)
    print(f"分析结果：\n{result}")

把这个脚本放到Ghidra的Script Manager里，选中一个函数，点运行。几秒钟后，AI就会告诉你这个函数是干嘛的。说实话，第一次跑通时我挺震撼的——以前要花半小时分析的函数，现在几句话就搞定了。

好了，模型选型、API获取、调用方式，这些基础都讲完了。接下来就是实战环节——怎么让大模型真正帮你读懂那些晦涩的反编译代码。嗯，那才是重头戏。