GhidraMCP

GitHub
8.1k 757 较难 1 次阅读 昨天Apache-2.0Agent插件
AI 解读 由 AI 自动生成,仅供参考

GhidraMCP 是一款连接大型语言模型(LLM)与著名逆向工程平台 Ghidra 的桥梁工具。它基于模型上下文协议(MCP)构建,旨在让 AI 能够自主调用 Ghidra 的核心功能,从而协助用户进行二进制程序的分析与逆向工程。

在传统逆向工作中,分析人员往往需要手动处理繁琐的反编译、符号重命名及结构梳理工作。GhidraMCP 通过将这些能力开放给 AI 客户端,解决了人工分析效率低、门槛高的问题。借助它,用户可以指令 AI 自动反编译二进制文件、智能重命名函数与数据变量,并快速列出方法、类及导入导出表,极大提升了分析流程的自动化程度。

这款工具特别适合安全研究人员、逆向工程师以及软件开发人员使用,尤其是那些希望利用 AI 辅助理解复杂底层代码或进行恶意软件分析的专业人士。其独特亮点在于采用了"GHIDRA 插件 + Python MCP 服务”的双端架构,不仅无缝集成于 Ghidra 界面,还能灵活对接 Claude Desktop、Cline 等多种主流 AI 客户端,让用户能以自然语言交互的方式,轻松驾驭强大的逆向分析能力。

使用场景

安全研究员小李正在分析一个未知的恶意软件样本,急需理解其核心加密逻辑以制定防御策略。

没有 GhidraMCP 时

  • 人工遍历效率低:面对数万行反编译代码,小李必须手动滚动查找关键函数和字符串,耗时数小时才能定位到加密入口。
  • 重命名工作繁琐:为了理清逻辑,需要逐个手动将 FUN_00401234 这类无意义名称改为语义化名称,极易出错且打断分析思路。
  • 上下文切换频繁:需要在 Ghidra 界面、笔记软件和搜索引擎之间反复切换,无法在分析环境中直接获取 AI 对代码逻辑的解释。
  • 复杂逻辑难洞察:对于混淆过的控制流,单纯依靠人眼识别模式非常困难,容易遗漏隐藏的恶意行为分支。

使用 GhidraMCP 后

  • 自然语言即时查询:小李直接在 Claude Desktop 中输入“找出所有涉及网络通信和文件写入的函数”,GhidraMCP 瞬间调用 Ghidra 接口返回精准列表。
  • 智能自动重命名:通过指令让 AI 分析函数行为,GhidraMCP 自动批量将晦涩的函数名重构为 DecryptPayloadExfiltrateData,代码可读性立竿见影。
  • 沉浸式交互分析:无需离开分析环境,直接在对话中询问“这个循环的具体作用是什么”,AI 结合当前反编译结果给出详细逻辑推导。
  • 深度逻辑辅助:针对混淆代码,AI 能快速梳理数据流向并指出异常分支,帮助小李在几分钟内锁定核心的密钥生成算法。

GhidraMCP 将传统逆向工程中繁琐的“体力活”转化为高效的自然语言交互,使分析师能专注于核心威胁逻辑的破解。

运行环境要求

操作系统
  • 未说明
GPU

未说明

内存

未说明

依赖
notes该工具是 Ghidra 的插件及 MCP 服务器,需先安装 Ghidra。运行时需要手动启动 Python 桥接脚本 (bridge_mcp_ghidra.py) 来连接 Ghidra 实例与 MCP 客户端(如 Claude Desktop, Cline 等)。默认通信端口为 8080 (Ghidra) 和 8081 (MCP),可根据需要配置。源码编译需要 Maven 以及从 Ghidra 安装目录复制特定的 jar 包到项目 lib 目录。
pythonPython 3
Ghidra
modelcontextprotocol (MCP SDK)
GhidraMCP hero image

快速开始

许可证 GitHub 发布(按日期最新) GitHub 星标 GitHub 分支 GitHub 贡献者 关注 @lauriewired

ghidra_MCP_logo

ghidraMCP

ghidraMCP 是一个模型上下文协议服务器,用于让大型语言模型自主地对应用程序进行逆向工程。它为 MCP 客户端提供了来自 Ghidra 核心功能的众多工具。

https://github.com/user-attachments/assets/36080514-f227-44bd-af84-78e29ee1d7f9

功能

MCP 服务器 + Ghidra 插件

  • 在 Ghidra 中反编译和分析二进制文件
  • 自动重命名方法和数据
  • 列出方法、类、导入和导出

安装

先决条件

Ghidra

首先,从本仓库下载最新的 release。其中包含了 Ghidra 插件和 Python MCP 客户端。然后,您可以直接将插件导入到 Ghidra 中。

  1. 运行 Ghidra
  2. 选择 File -> Install Extensions
  3. 点击 + 按钮
  4. 从下载的 release 中选择 GhidraMCP-1-2.zip(或您选择的版本)
  5. 重启 Ghidra
  6. 确保在 File -> Configure -> Developer 中启用了 GhidraMCPPlugin
  7. 可选: 在 Ghidra 中通过 Edit -> Tool Options -> GhidraMCP HTTP Server 配置端口

视频安装指南:

https://github.com/user-attachments/assets/75f0c176-6da1-48dc-ad96-c182eb4648c3

MCP 客户端

理论上,任何 MCP 客户端都应能与 ghidraMCP 配合使用。下面给出三个示例。

示例 1: Claude Desktop

要将 Claude Desktop 设置为 Ghidra 的 MCP 客户端,请前往 Claude -> Settings -> Developer -> Edit Config -> claude_desktop_config.json,并添加以下内容:

{
  "mcpServers": {
    "ghidra": {
      "command": "python",
      "args": [
        "/ABSOLUTE_PATH_TO/bridge_mcp_ghidra.py",
        "--ghidra-server",
        "http://127.0.0.1:8080/"
      ]
    }
  }
}

或者,直接编辑此文件:

/Users/YOUR_USER/Library/Application Support/Claude/claude_desktop_config.json

服务器 IP 和端口是可配置的,应设置为指向目标 Ghidra 实例。如果未设置,则两者都将默认为 localhost:8080。

示例 2: Cline

要将 GhidraMCP 与 Cline 一起使用,还需要手动运行 MCP 服务器。首先运行以下命令:

python bridge_mcp_ghidra.py --transport sse --mcp-host 127.0.0.1 --mcp-port 8081 --ghidra-server http://127.0.0.1:8080/

唯一必需的参数是传输方式。如果其他参数未指定,则它们将默认为上述值。一旦 MCP 服务器运行起来,打开 Cline 并在顶部选择 MCP Servers

Cline 选择

然后选择 Remote Servers,并添加以下内容,确保 URL 与 MCP 主机和端口匹配:

  1. 服务器名称:GhidraMCP
  2. 服务器 URL:http://127.0.0.1:8081/sse

示例 3: 5ire

另一个支持后端多种模型的 MCP 客户端是 5ire。要设置 GhidraMCP,请打开 5ire 并前往 Tools -> New,设置以下配置:

  1. 工具键:ghidra
  2. 名称:GhidraMCP
  3. 命令:python /ABSOLUTE_PATH_TO/bridge_mcp_ghidra.py

从源代码构建

  1. 将以下文件从您的 Ghidra 目录复制到本项目的 lib/ 目录中:
  • Ghidra/Features/Base/lib/Base.jar
  • Ghidra/Features/Decompiler/lib/Decompiler.jar
  • Ghidra/Framework/Docking/lib/Docking.jar
  • Ghidra/Framework/Generic/lib/Generic.jar
  • Ghidra/Framework/Project/lib/Project.jar
  • Ghidra/Framework/SoftwareModeling/lib/SoftwareModeling.jar
  • Ghidra/Framework/Utility/lib/Utility.jar
  • Ghidra/Framework/Gui/lib/Gui.jar
  1. 使用 Maven 构建,运行:

mvn clean package assembly:single

生成的 zip 文件包含构建好的 Ghidra 插件及其资源。这些文件是 Ghidra 识别新扩展所必需的。

  • lib/GhidraMCP.jar
  • extensions.properties
  • Module.manifest

版本历史

1.42025/06/23
1.32025/04/21
1.22025/04/13
1.12025/04/03
1.02025/03/25

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架

OpenHands

OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。

70.6k|★★★☆☆|今天
语言模型Agent开发框架