Processus d'analyse assisté par LLM

L'auteur, fort de deux décennies de hacking matériel et logiciel, décrit un flux où l'agent LLM est d'abord orienté vers le fichier cible. L'agent identifie le type de binaire, la plateforme et le format de construction, puis sélectionne automatiquement un désassembleur ou décompilateur adapté (x86, ARM ou firmware). Chaque étape est consignée dans des fichiers Markdown, ce qui préserve la trace de l'analyse et évite que l'agent perde le fil lors de la compaction ou du transfert entre agents.

Après cette cartographie initiale, l'agent génère une vue d'ensemble des fonctions principales, des branches de contrôle et des imports. Si la simple désassemblage ne suffit pas, l'agent peut lancer un débogage interactif, placer des points d'arrêt, ou injecter des probes de journalisation. L'auteur insiste sur la nécessité de lire les conversations LLM afin de détecter les impasses et de réorienter l'agent, par exemple en privilégiant la recherche de chaînes de caractères plutôt que les références croisées.

Compétences et outils techniques

Le workflow repose sur deux langages. Python, utilisé avec le framework UV tooling, permet de créer rapidement des scripts monofichiers pour le prototypage de probes ou d'outils d'aide à la désassemblage. Rust, choisi pour les implémentations définitives, offre un compilateur strict qui signale immédiatement les erreurs de mémoire ou de syntaxe, accélérant ainsi les itérations de l'agent. L'auteur mentionne également des compétences spécialisées, comme le « Ghidra / other RE tooling skill », qui fournit à l'agent des instructions précises pour piloter Ghidra, radare2 ou d'autres ponts de désassemblage.

Une méthode de « hypothesis debugging » est formalisée : chaque hypothèse est enregistrée dans un tableau CSV, un protocole d'expérimentation (probe ou logging) est conçu, le résultat est consigné, puis le cycle recommence. Cette approche scientifique contraint l'agent à valider ou infirmer chaque supposition, limitant les conjectures aléatoires.

Résultats concrets et limites

En six mois d'utilisation, l'auteur rapporte la rétro‑ingénierie complète de plusieurs appareils : le dispositif de dactylographie Alphasmart NEO, le capteur biofeedback EmWave, les caméras Sony Alpha (notamment le modèle A7III) et leurs protocoles de communication, ainsi que les firmwares de synthétiseurs Arturia MiniFreak, Teenage Engineering OP‑Z et Akai MPC Sample. D'autres succès incluent la création d'un firmware pour le lecteur ebook Xteink X4, la réparation d'un driver HP pour macOS, et le développement d'un client léger Evernote.

Malgré ces avancées, l'auteur souligne que les LLM restent susceptibles de suivre des chemins étroits et nécessitent une supervision humaine constante. Les temps de compilation de Rust, bien que plus longs que ceux de Python, constituent un goulot d'étranglement lorsqu'ils sont répétés à grande échelle. Enfin, l'absence de métriques quantitatives (temps moyen de rétro‑ingénierie, taux de réussite) limite l'évaluation objective de la productivité gagnée.