用途：拿到 AI 相关目标后先判断输入形态，再转交对应技能，本技能只做识别与分流，不展开深度分析。
主要能力与分流路径：拿到模型文件（.onnx / .pt / .pth / .safetensors / .tflite）转 re-ai-model（文件层：格式解析、结构还原、权重提取、文件级水印）；只有 API 无文件的黑盒接口转 re-ai-attack（行为层：extraction / fingerprint / privacy / robustness 评估，guard 授权前置）；文件与 API 都有则先文件侧取证再行为侧验证；发现投毒、后门、恶意载荷、下载执行等恶意行为走恶意分析（当前为 re-ai-model 安全边界处理加 re-behavior）；模型被打包进可执行（PyInstaller/pyarmor 等）先用 re-binary-core 拆包，拆出的模型文件再回到本技能分流。
使用方式：本技能工具轻量，仅做识别。用 file 与 xxd 粗看文件，以字节而非扩展名判断格式；onnx 为 protobuf 流，首字节 0x08，第二字节为随版本递增的版本号；safetensors 前 8 字节是小端头长度，其后为 JSON 头；pytorch 新版是 zip 容器（PK\x03\x04），老式是裸 pickle 流；tflite 字节 4–7 为 ASCII TFL3。可用 pip list 2>/dev/null | grep -iE 'torch|tensorflow|onnx' 探测模型库，但不加载模型。转交时记录会话变量 RE_GOAL、RE_AUTH、输入形态标记。file 验证用 file --version，python3 验证用 python3 -c "import struct"。
适用场景：用户提出分析模型、AI 模型安全、模型泄露但未指明输入形态；不确定目标是文件层还是行为层。不适用：输入形态已明确（直接进下游技能）；非 AI 目标（走 re-analyze）；训练、微调、部署等非逆向任务。
限制：行为层评估前必须确认授权归属（自有、授权测试、CTF·研究），未知归属先询问，不能直接进入行为层。不要靠文件名猜格式，.pt 可能是 pickle 或 zip，.bin 可能是任意权重 dump。分流阶段不应做深度分析以免与下游重复。跨域协作关联 re-managed、re-ai-model、re-ai-attack、re-binary-core、re-behavior。