刚刚，我让 AI 在完全没有源代码的情况下，尝试重新开发了一遍 Microsoft Word。

结果有点出乎意料。

只消耗了一个 Pro 级别 AI 会员约 20%～30% 的额度，就做出了一个界面几乎像素级还原、核心功能也基本一致的原生 Word。

而完成这件事的，是最近在 GitHub 上爆火的逆向工程项目 REA。

它让我开始意识到一件事：我们可能正在严重低估 AI 复刻成熟商业软件的能力。

我拼接了个截图：

先说下这个项目是什么。

这个项目的名称叫做 REA，也就是 Reverse Engineer Anything，目前 8.6 万颗星。

其实，REA 在今年 9 月之前就已经发布了，但当时几乎没有什么增长。

直到 10 月初，项目的 GitHub Star 数才开始疯狂上涨，短短 10 天左右，就从几千增长到了 8 万以上。

夸张的是，近一个月 99% 的下载量都集中在最近一周。

项目的迭代速度也非常快，短短 5 天就发布了 6 个版本，截至目前累计发布了 35 个版本。

这个项目的核心，就是让 AI Agent 帮我们研究一个软件内部到底是怎么工作的，即便没有它的源代码，也能进行分析。

简单来说，只需要一句话，就有机会让 AI 逆向分析并复刻一款成熟的商业软件，或者其中某个具体功能。

README 的宣传语是「看到一个喜欢的功能，就能弄懂它的实现，一直看到二进制层面」。

官方已经为这个功能做了两次实测项目了，一个是 Notion （Electron 应用），另一个是 DX-Ball（一个老游戏）。

为什么逆向复刻最近讨论得这么热？REA 这个项目又为什么会突然爆火？

这里其实有一个很多人可能都会有的疑问：

既然已经有一款成熟的生产级应用，为什么我们还要花时间去复刻它？

因为 AI 时代的「逆向复刻」，正在从过去少数专业开发者才能完成的工作，变成一种普通开发者也有机会使用的产品开发方式。

比如 Notion 的编辑器、Word 的排版功能，这些经过多年开发和优化的功能，背后往往有大量复杂的技术细节。

如果完全从零开发，需要投入非常多的时间。

而且，现在的 Opus 5.5、GPT-6、Astra 等模型已经展现出了很强的能力，也恰好为这类项目提供了强大的底层模型支持。

接下来，我们就以 Microsoft Word 为例，看看 REA 是怎么一步步研究一个没有源代码的商业软件，最终把它复刻出来的。

更重要的是，这个复刻版 Word，到底能用到什么程度？

REA 逆向项目到底怎么运作的？

首先，REA 其实就是一个 MCP 服务器加一套配套的 Agent Skill 和命令行工具。

里面最核心的一点是 REA 项目其实分为 2 块：

1）REA 项目的核心技术本身是复刻一些比较简单的应用的界面和简单功能。

比如解读整个应用的界面，提取 Microsoft Word 的图标，观察整个窗口的结果，这几步是由 REA 自己完成的。

2）Hopper、Ghidra、IDA 等反编译工具。

这块其实有点「走捷径」的意思，因为 REA 调用的很多逆向工程工具，本身已经非常成熟了。

比如，要追踪 Microsoft Word 里 SmartArt 的部分功能，或者查找替换等功能背后的代码逻辑，就可能需要借助 Hopper 这样的反编译工具，获取接近源代码的伪代码。

但用户并不需要自己研究 Hopper，也不用专门编写提示词来指导它操作。REA 会根据当前的逆向任务，判断哪些部分可以用自身的工具完成，哪些需要调用 Hopper 等反编译工具。

使用教程

1）一条命令接入 Agent

现在 REA 安装，可以一条命令就接入。

npx rea-agents setup

安装程序可以自动配置 17 个客户端，包括 Claude Code、Claude Desktop、Codex、Cursor、Gemini CLI、Windsurf、Devin、OpenCode、Antigravity、GitHub Copilot CLI、Qwen Code、VS Code、Grok Build 等。

2）用自然语言提出问题

安装好 REA 之后，我们就可以直接用自然语言描述想要复刻的功能了，比如：「弄清楚备忘录的搜索功能如何实现，列出证据，再在我的项目里做一个类似的功能」。

Agent 自动完成调查

这时候，Agent 就可以在 REA 的指导下，自主打开目标应用，读取程序结构、字符串、符号和资源文件，搜索相关函数，并根据需要进行反编译等操作。

主要能力

REA 能吸引这么多人使用，一个重要原因就是它统一了不同逆向工程工具的接口。

前面也提到过，REA 可以调用 Hopper、Ghidra、IDA 等反编译工具，但这些工具原本都有各自的接口和使用方式。

REA 把它们统一封装成了同一套工具接口，让 AI Agent 不需要关心底层使用的是哪个分析引擎，就能直接调用相应的能力。

❗ 注意

如果想逆向复刻 Microsoft Word 这样比较复杂的生产级应用，通常还是需要用到 Hopper 这样的专业反编译工具。

这里还有个我自己复刻时候的挺有意思的细节。

如果通过 Claude Code 安装和使用 REA，Claude 可能会要求使用官方正版的 Hopper。但如果换成 Codex，就没事。

Claude 的道德感确实是真强……

我逆向复刻的 Microsoft Word，长啥样？

首先，这个复刻版 Microsoft Word 的界面，几乎达到了与原版 Word 1:1 的像素级还原。

目前，这个复刻版 Microsoft Word 已经具备了排序、标题设置、换行、文字加粗、批注等基础功能。

从「开始」菜单栏，到「插入」「绘图」「设计」「布局」「引用」「邮件」「审阅」「视图」等，原版 Word 的基础功能模块也都保留了下来。

包括在 Word 文档中自由调整图片大小，以及设置图片居中、居左、居右等对齐方式，这些功能也都实现了。

包括选中某段文字后，添加下划线、删除线、高亮等操作，也基本都实现了。不过，这部分的交互和细节处理还是能看出一些粗糙的地方。

像是调整某段文字的标题大小，以及套用一些 Word 自带的特殊样式和设计模板，这些功能也基本实现了。

甚至还可以像原版 Word 一样，直接在文档中插入表格，整个操作体验也比较接近原生。

像是 Word 里的专注模式，以及其他不同视图模式之间的切换，也都基本实现了。

所以整体来看，原版 Microsoft Word 最基础、最核心的功能，在这次复刻中基本都实现了。

一些不得不说的问题

相信大家也很好奇，这次我用 Codex GPT-6 Astra 复刻 Microsoft Word，到底尝试了多少次？又用了什么样的提示词？

下面就把整个过程分享给大家。

首先，在使用 REA 复刻这个项目时，我只用了一句非常简单的提示词，没有添加任何额外的要求。

其次也要说明一点，整个项目并不是只靠这一句提示词，就直接复刻出了前面展示的所有功能。

实际上，我后续还让它迭代了大概两到三次，但每次都只是针对一些小功能和细节进行调整。

第一版做出来的时候，其实已经比较完善了，核心功能基本都有，但界面还没有达到像素级还原的程度，也有不少功能没有实现。

毕竟，AI 是真的很爱偷懒……

所以后面我又进行了两到三轮迭代，主要就是补齐缺失的功能，以及进一步优化界面还原度。

下面是目前这个复刻版 Microsoft Word 与本机原版 Word 的功能对照。可以看到，虽然核心功能基本实现了，但仍有相当一部分功能没有完整复刻。

没有完整实现的一个原因，就是 AI 真的很爱偷懒。除非给它一套完整的自审开发清单，让它多轮调用子 Agent 检查、补齐功能，否则很难一次性做到完善。

其次，REA 本身也算不上一个「革命性」的技术项目。它大量依赖 Hopper 等成熟的逆向工具，以及 AI 模型自身的能力。

可以简单理解为，REA 给 AI 提供了一套 Skill 和工具调用流程，让 Agent 知道该如何完成逆向工程。

具体到这次复刻的 Microsoft Word，很多功能其实还比较粗糙。原版 Word 的交互经过了数十年的打磨，才能达到今天这么流畅的体验。

比如，当我同时选中两行文字时，就能明显看到两行之间的选中区域出现了重叠，这种细节还没有处理好。

这其实是一个很典型的问题，AI 对这类细节算法的理解还不够好，需要经过多轮迭代才能逐步修复。

类似的小问题还有不少。但客观来说，这次复刻的核心功能已经比较完整，界面还原度也很高，至少已经达到了可用的程度。

相比一年前用 AI 开发出来的那些粗糙项目，现在的完成度确实高了很多。

甚至我觉得，如果再迭代 10～20 轮，它完全有可能满足大部分人日常使用 Word 的需求，替代一部分原生 Word 的使用场景。

再来说说大家可能更关心的额度消耗。

这次我使用的是 Codex GPT-6 Astra，订阅的是 Pro 5X 会员。大家也知道，现在 Codex 的使用额度比较紧张，消耗速度也很快。

但完成这样一个 Microsoft Word 逆向复刻项目，最终只消耗了我大约 20% 的使用额度。

不过，目前这个复刻版 Microsoft Word 还没有做成原生 App，但它也不只是一个简单的前端项目。如果后续做成原生 App，在本地运行，日常使用基本不需要额外消耗 AI 额度。

相比 REA 项目本身的技术突破，我其实更关注这次复刻背后反映出来的 AI 模型能力提升，以及由此带来的 3 个不得不说的问题。

1）「AI 复刻钱效比」

我们现在居然只需要消耗一个 Pro 级别 AI 会员大约 20%～30% 的额度，就有机会复刻出一款成熟商业软件的大部分核心体验。

当然，这个复刻版 Word 还有很多不完善的地方，距离真正的生产级应用也有很大差距。

但大部分普通用户平时使用 Word，无非就是写字、设置标题、调整字体、添加批注，再根据批注修改内容。

而这些最基础、最关键的使用体验，在我这次实测中，已经复刻出了大约八成。

所以，我想提出一个概念，叫做 「AI 复刻钱效比」。

简单来说，就是投入多少 AI 使用成本，能够复刻出一款成熟软件多少有实际价值的功能。

以 Microsoft Word 为例，它从 1983 年发布至今，已经持续开发了 40 多年。微软虽然没有公开 Word 的累计研发投入，但背后积累的人力、资金和工程经验无疑是巨大的。

当然，复刻部分功能和真正开发、维护一款商业软件，成本不能直接比较。

但我们已经能看到一个重要变化。

过去需要一个团队投入大量资源才能实现的功能，现在普通人借助 AI，就有机会以很低的成本复刻出来。

而且，随着模型能力继续提升，「AI 复刻钱效比」还会越来越高。

2）垃圾 AI 产品，会以前所未有的速度被淘汰

当「AI 复刻钱效比」越来越高之后，很多粗糙的 AI 产品，可能会被迅速淘汰。

因为现在大量 AI 产品，本质上还是在利用信息差赚钱。功能不复杂，体验也没有打磨好，只是提前告诉用户，原来 AI 还可以这样使用。

但随着用户开始熟练使用 Claude Code、Codex、豆包工作、千问工作等 Agent，这种信息差会迅速消失。

一款 AI 产品可能有 100 个功能，但真正吸引用户的，可能只有两三个。

过去，用户需要为了这几个功能购买整款产品。但未来，可能只需要一个 Skill，就能重新实现自己需要的核心功能。

甚至以后每当一个 AI 产品推出，里面真正有价值的功能，就可能迅速被复刻、封装成独立的 Skill，供其他 Agent 调用。

这意味着，很多 AI 产品赖以生存的功能门槛，正在快速降低。

3）到底什么产品能有护城河？

这个问题，我觉得已经越来越难回答了。

比如 Notion，REA 团队已经尝试逆向分析它的富文本编辑功能。而在 REA 出现之前，我自己就曾经用 AI 给 Obsidian 加上类似 Notion 的编辑体验。

这说明，即便是成熟商业软件的核心功能，也已经有机会被单独复刻出来。

那么，如果一款产品的优势是交互设计呢？

大约一个月前，我曾经用 Claude Opus 5.5 复刻 CleanShot X。整个过程只是让 AI 自己操作原版软件、观察交互，再重新开发。

最终，我认为它的截图功能已经复刻了大约 95%，虽然录屏等功能还没有充分迭代。

所以，光靠优秀的交互设计，似乎也很难形成长期的技术壁垒。

未来真正难以被 AI 复刻的，可能是那些核心价值不完全存在于软件代码里的产品。

比如拥有庞大用户网络、独特数据、内容版权或复杂交易体系的产品。

你可以复刻微信的聊天界面，却很难复制它的社交关系。也可以复刻淘宝的 App，却无法直接拥有背后的商家和交易网络。

而对于大量纯软件产品来说，一个问题已经越来越难回避。

当任何人都能以很低的成本复刻你的核心功能时，用户为什么还需要你的产品？

这可能会成为未来几年，很多 AI 产品头顶上的达摩克利斯之剑。

文章来自于微信公众号 “杉森楠”，作者 “杉森楠”