作者 Tw93 分享用 Mac 开发 Windows 软件时对客户端技术选型的思考。文章梳理了三种主要路线：Web 壳方案（PhoneGap/Cordova）、跨端方案（React Native、Flutter、Electron、Tauri、Wails 等）以及原生开发（SwiftUI、Compose、WinUI 3）。作者提出研发效率、体验与性能的'不可能三角'，并指出在 AI Coding 大幅降低开发成本的当下，原生开发变得更具吸引力，因为双平台代码成本被 AI 补齐，而人更应专注于多端调试与验收。最终强调技术为业务服务，先解决用户真实需求，再优化体验。
作者分享了客户端开发的技术选型思考，梳理 Web、跨端（Electron、Tauri、Flutter）与原生三条路线的权衡，提出研发效率、体验、性能的『不可能三角』。以自己的 Mac 清理工具 Mole 为例，讲述为何 Windows 版选择 C# + WinUI 3，如何用脚本同步设计 token 与多语言保持两端一致，并详细介绍在 Mac 上通过 Parallels、Claude Code、远程终端与真机测试开发 Windows 软件的工作流，以及混合多语言调用（Swift 调 JS、Rust 调 JS）解决难题的实践，认为 AI 时代规则抽象比代码抽象更重要，测试验证是工程师核心价值。
本文讲述了开源项目 CC Switch 作者 Jason 的故事。他 36 岁从进出口贸易转行程序员，仅用六个月开发出获得 2 万 Star 的工具。文章详细记录了他从 Electron 重构至 Tauri 的技术抉择、配置管理的血泪教训，以及他总结的一套“AI 时代编程方法论”，包括 Plan Mode 的使用、上下文管理和代码质量控制等实战技巧。
文章介绍了开源工具 REA（Reverse Engineer Anything），它作为 MCP 服务器连接 Claude Code、Codex、Cursor 等编程 Agent，整合二进制分析、字符串提取、函数定位、调用追踪等现有逆向工具，让 AI 基于「证据」而非猜测来理解应用。文章对比了让 AI 凭经验猜测与基于真实文件分析的差异，给出完整安装配置和 10 步方法论：选择单一功能、编写强制证据的提示词、区分事实与假设、先写行为规范再实现代码等，强调这是理解与重建软件的可靠路径，而非简单复制。
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
作者与 Codex 协作，使用 REA（为 AI 提供软件分析工具调用入口的框架）分析 Notion 官方安装包中的剪贴板模块，查清文字与图片复制函数的输入处理、重试逻辑、异步时序、错误阶段和资源清理等细节规则。随后整理行为说明、实现独立的复制工具，并通过 30 项受控测试与原函数对照，最终全部一致。文章总结了缩小分析目标、固定版本与文件指纹、用证据驱动验证的方法，以及 REA 适用与不适用的场景。
作者介绍了爆火的开源项目 REA（Reverse Engineer Anything），它将 Ghidra、IDA 等老牌逆向工具整合为统一接口，接入 Cursor、Codex、Claude Code 等 AI 编程助手，让普通人也能指挥 AI 进行软件逆向。作者实战演示了两个案例：一是用 Codex 成功逆向安卓单机游戏《火影战记》并添加新角色迈特凯；二是逆向某付费学习 APP，揭露其虚拟货币、拉新返利等割韭菜套路，并将其改造成 AI 编程学习 APP。作者总结认为 REA 噱头大于实际，「软件已死」说法夸大，后端、数据和运营才是软件真正的护城河。
本文是面向新手的 REA (Reverse Engineer Anything) 详解教程。REA 是一个装在 AI Agent 里的逆向工程 MCP 工具箱，半年内 GitHub star 达 22 万。它本身不发明新技术，而是充当中间翻译层，让 Claude Code、Codex 等 AI Agent 能指挥 Hopper、Ghidra、IDA 等老牌逆向工具，并把结果翻译成大白话，每条结论都带证据。文章覆盖逆向工程和 MCP 的基础概念、REA 能干与不能干的事、安装配置步骤（Node.js 版本要求、npx 安装、doctor 体检）、三个分析引擎的挑选、第一个分析任务的实操、常见坑与 FAQ。新手可从免引擎的 JavaScript/Electron 应用分析入手。
作者分享了对 REA（Reverse Engineer Anything）工具的实测体验。REA 为 Claude、Codex 等 AI 接入了一整套逆向工程工具，能够分析没有源码的软件，从模块、路由、IPC 通信追踪功能实现逻辑，并在自己的项目中复现。它还可以拆解不开放接口的 Electron 桌面应用，甚至调用 Ghidra、Hopper 读取伪代码和汇编，精准还原老游戏和老旧库中的算法。作者以剪映等项目为例验证了其强大能力，并引发讨论：AI 时代，软件逆向如此容易，是否意味着一切都要开源了？
作者分享入职大厂两个月从事 Agent 开发与后端维护的 AI 编程工作流。介绍了常用 Skill（grill、implement、ponytail、handoff 等）与简短 Prompt（第一性原理、对抗性审查、消融实验、奥卡姆剃刀、高内聚低耦合），指出随着模型能力增强，过重的 Workflow 反而成为噪声，应使用方法论式思维快捷键。同时分享了日常开发流程：grill 需求对齐、沉淀 Spec、任务拆分并行开发、交叉审查；重点讲解如何构建 Agent 友好的端到端测试环境（CLI、MCP、浏览器自动化），以及 Review AI 代码的实践。最后总结当前瓶颈在 Review 速度，Harness 需随模型迭代做减法。
作者认为 TRAE 是国内 AI Coding 领域第一，TraeWork 和 TraeCode 合并后成为最接近 Codex 的 Agent Harness。文章通过多个实际案例展示 TRAE 能力：用电脑控制和浏览器控制插件自动调研 Producthunt 产品；10 分钟开发 Obsidian UI 学习插件并上架；20 分钟将插件移植到 DeepSeek Harness；通过绑定微信、飞书随时随地远程修 Bug、合并代码；办公学习方面有模板库和飞书文档集成。作者认为 TRAE 三端打通、双模式设计（SOLO 和 IDE），让 AI Agent 覆盖更广人群，即使界面像 Codex 也无妨。
作者推荐了一个开源项目 rea，该项目可将任意软件、页面解析出来，通过二进制反编译并经 MCP 协议告知 AI，用户只需用自然语言描述想复刻的功能，AI 即可自动剖析并复刻。rea 通过 MCP 协议连接 AI Agent 与 Hopper、Ghidra、IDA Pro 等逆向分析工具，支持分析原生二进制程序、桌面应用、JavaScript、Electron、.NET、Android APK 及网页行为。其核心价值在于让 AI 不仅能阅读源代码，还能理解没有源代码的软件是如何工作的。
作者以“只提一次需求、只调用一次模型”的严格规则测试 Ling-3.1-flash，仅给出一句模糊需求——“做一个可直接交付的 AI 项目工期与 Token 成本估算器交互网页”。模型先自主拆解任务、补全产品逻辑，一次生成 805 行、41KB 的零依赖单文件 HTML，包含参数联动计算、成本图表、甘特图、场景预设与数据导出等功能。作者验证发现一处 undefined 变量 bug，手工修改一行代码修复。作者认为 AI Coding 的价值正从“补代码”转向“交付完整版本”，但生成结果仍需人工验收与修正。
