用途：为使用大语言模型检测二进制代码漏洞提供研究支持的技术指南，在 skwaq 智能体执行二进制分析时自动加载以提升效果。
核心原则：反编译优先。LLM 无法有效推理原始字节或汇编，不同 CWE 类型的原始汇编余弦相似度高达 98%，难以分类，因此应先反编译为伪 C 再分析。流程为：二进制 → 反汇编 → 反编译（Ghidra）→ LLM 增强 → 漏洞分析。
主要能力：反编译代码优化（变量重命名、类型恢复、控制流重构、漏洞标注），据 VulBinLLM（2025）可提升检测准确率 20-40%；补丁差分双提示策略（先特征化再排序，据 Bishop Fox 2025 可将易受攻击函数 100% 排入前五）；证据优先提示（每条结论须引用代码、函数名与偏移，区分反编译器伪影与真实漏洞，标注置信度）；函数级分析与记忆管理（按攻击面×危险汇排序、单函数单次调用、归档摘要、二次分析）；LLM 与传统工具混合分析（模糊测试、符号执行、污点分析、SARIF/CodeQL 结合）。
危险 API 模式：涵盖内存破坏（strcpy/strcat、sprintf、memcpy、malloc/realloc）、释放后使用/双重释放、整数问题、命令/代码注入，以及固件/IoT 特有模式（硬编码凭据、默认密钥、无长度检查的 recv/read、无认证 UART 处理）。同时提示编译器优化（内联、循环展开、死存储消除、尾调用优化）带来的干扰。
提示词技巧：避免在提示中标注“恶意”以免引入偏差；提供相关 CWE 定义；强制遍历全部函数；本地模型需拆分任务；提供调用链上下文；指定架构。模型选择上，深度推理推荐云端模型，函数命名/类型推荐专用模型，离线可用 Ollama，批量分诊用快速层。
误报管理：三问测试（可达？可控？可致害？）、多智能体验证、证据要求、置信度评分、反编译器伪影过滤。
限制：资料未提供具体安装命令、收费价格与完整使用步骤；部分效果数据来自特定研究，实际表现可能不同。