bla

给代码下毒,让 AI 逆向代理白忙一场

开源 🏷️定价信息待确认 ⏳ 访问状态待核验 评测安全 🍴 复刻 176 🐛 待处理 1 👀 关注 3
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 1312
维护状态 活跃
是否开源 开源
定价模式 🏷️定价信息待确认

项目预览

bla 项目界面预览图
图片来源:项目官网

项目数据

分类评测安全
开发团队qybaihe
官网地址https://bla.tools
定价模式🏷️定价信息待确认
价格说明定价信息待确认
访问状态⏳ 访问状态待核验
是否开源是
开源协议MIT
主要语言TypeScript
技术栈/模型adversarial-ai,claude-code,cursor,electron-security,llm-security,mcp,mcp-server,obfuscation,reverse-engineering,webassembly
GitHub 星标★ 1312
上线时间2026-10-25 00:00:00
代码更新2026-10-29
仓库体积1.2 MB
本站数据更新2026-10-31
维护状态活跃
收录时间2026-10-31
浏览次数0

项目介绍

BLA(Blind LLM Agents)是一个用 TypeScript 编写的对抗性防御工具,专门用于对抗 AI 逆向工程代理(如 REA)对二进制文件、Electron 应用、JS 打包产物、Python 脚本和 WebAssembly 的自动分析与破解。它通过“投毒—耗尽—幻觉”三阶段策略干扰 LLM 代理的推理过程:先向目标中注入误导性符号与结构信息,再消耗代理的上下文与推理预算,最终诱导其得出错误结论,从而在不影响程序正常运行的前提下提高 AI 自动化逆向的成本与失败率。项目提供 MCP 服务器形态,可接入 Claude Code、Cursor 等 AI 编程工具链,适合需要保护前端逻辑、客户端密钥或商业算法不被 AI 代理批量提取的开发者。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整

数据来源:GitHub API 逐日快照 · 收录于 2026-10-31 · 当前星标 ★ 1312

使用教程

⚠ 本教程由 AI 依据该项目 README 整理;原始文档不完整,部分步骤为通用流程推断,实际安装请以项目官方文档为准。

难度:进阶 约 10 分钟 部署方式:命令行工具 4 步

⚠ 该项目 README 未提供完整安装说明,以下步骤为通用流程,请以官方文档为准。

环境要求

  • Node.js 运行环境(README 的快速开始使用 npm 脚本)
  • 本机可执行 npm 命令的终端
  • 已从 GitHub 获取 bla 仓库源码
  • 需要保护的自有构建产物(二进制 / Electron / JS 打包产物 / Python 脚本 / WebAssembly)

安装与启动步骤

  1. 1获取项目源码

    把仓库克隆到本地目录,后续所有命令都在该目录内执行。

    git clone https://github.com/qybaihe/bla.git
  2. 2进入项目目录

    切换到克隆下来的 bla 目录,确认能看到 README 与 package.json。

    cd bla
  3. 3安装依赖

    README 节选未给出依赖安装命令,需按仓库 package.json 自行安装后再执行脚本。

    npm install
  4. 4运行校验脚本

    执行仓库自带的 verify:rea 脚本,README 注明它仅用于漂移校验,不能作为防护效果证明。

    npm run verify:rea

如何确认成功

执行 npm run verify:rea 后终端无报错并正常结束,说明脚本可运行;但 README 明确这不代表防护生效。

常见问题

Q:npm run verify:rea 能证明防护有效吗?

A:不能。README 在该命令旁注明它只是漂移校验(drift harness),并不是防护效果证明,实际防护效果需自行在你发布的构建产物上评估。

Q:README 没有写 npm install 怎么办?

A:节选的快速开始只有一段 shell 代码块且未列安装步骤,依赖安装应以仓库 package.json 中的脚本与依赖为准,若报错请对照仓库内说明文档。

Q:这个工具支持哪些目标类型?

A:README 概述提到面向随构建发布的产物,README 目录中出现 Format coverage 一节,具体支持范围请查看该节完整内容,节选已截断。

Q:能和 Claude Code、Cursor 一起用吗?

A:项目定位为 MCP 服务器形态,可接入 AI 编程工具链,但 README 节选中未给出具体接入配置,需查阅官网 bla.tools 的 Guides 或仓库文档。

注意事项

  • README 节选缺少完整安装与使用说明,本教程步骤偏保守,执行前请先阅读仓库内 README 全文与 docs 目录。
  • 该工具用于保护自有构建产物,使用前请阅读仓库中的 DISCLAIMER.md 并遵守相关法律与授权范围。
  • 接入 MCP 客户端的具体配置 README 节选未给出,请以官网 Guides 页面或仓库文档为准,不要凭猜测填写参数。

核心亮点

  • 针对 LLM 代理的推理链路设计三阶段对抗策略,思路新颖且可组合
  • 覆盖二进制、Electron、JS bundle、Python、WASM 多种产物形态
  • 提供 MCP 服务器,可直接接入 Claude Code、Cursor 等主流 AI 工具链

不足之处

  • 对抗效果依赖具体 LLM 代理的推理行为,缺乏统一量化评测基准
  • 对传统人工逆向或非 LLM 工具的防护作用有限,定位较窄
  • 文档与社区生态仍在早期,长期维护情况待观察

适用场景

  • 保护 Electron 客户端中的授权校验与密钥逻辑不被 AI 代理自动提取
  • 为商业 JS bundle 增加 AI 逆向噪声,提高批量分析成本
  • 在 CI 构建流程中对 WASM/Python 产物自动施加对抗性变换

替代项目

javascript-obfuscator、pyarmor、wasm-opt

上一篇:param

下一篇:没有了!

同类项目推荐

PatchEval 开源

用真实漏洞测大模型修 bug 的真本事

PatchEval: A New Benchmark for Evaluating LLMs on Patching Real-World Vulnerabilitie···

★ 235 2026-10-23
hackagent 开源

给 AI 智能体做安全体检,提前发现漏洞防攻击

HackAgent is an open-source security toolkit to detect vulnerabilities of your AI Ag···

★ 532 2026-08-09
Awesome-LVLM-Hallucination 开源

一站式追踪大模型视觉幻觉研究前沿

up-to-date curated list of state-of-the-art Large vision language models hallucinat···

★ 335 2026-08-09
continuous-eval 开源

让 LLM 应用效果可量化,用数据驱动迭代优化

Data-Driven Evaluation for LLM-Powered Applications

★ 520 2026-08-09
TrustLLM 开源

给大模型做全面体检,量化可信度短板

[ICML 2024] TrustLLM: LLM trustworthiness evaluation across truthfulness, safety, fa···

★ 634 2026-08-09
Awesome-AI-For-Security 开源

一页看全 AI 做安全:工具、论文、数据集

A curated list of tools, papers, and datasets for applying AI to cybersecurity tasks···

★ 153 2026-10-28
giskard-oss 开源

给 LLM 应用做全面质检,上线前自动揪出漏洞和偏见

Open-Source Evaluation & Testing library for LLM Agents

★ 5934 2026-08-09
Omni-SafetyBench 开源

给音视频大模型做安全体检,发现隐藏风险

[ACM MM 2026] Code for paper "Omni-SafetyBench: A Benchmark for Safety Evaluation of···

★ 116 2026-08-09