AI驱动的调试循环深度解析：AI_JS_DEBUGGER如何用大模型自动选择单步入/步出/步过

AI_JS_DEBUGGER 是一款基于 Chrome 开发者协议（CDP）的 AI 自动化 JavaScript 逆向分析工具，它能把"断点触发 → 收集上下文 → 大模型决策 → 执行步调"做成一个全自动调试循环，由大模型在每一步自动选择单步入（step_into）、单步出（step_out）或单步跳过（step_over），最终自动产出加解密分析报告。这篇文章带你深入拆解这套 AI 调试循环的工作原理。

一、手动单步调试有多痛苦？

做前端 JS 逆向时，常规姿势是：打断点 → 在 DevTools 里手动点"单步跳过/单步进入"按钮 → 一路盯着变量 → 关键参数（如加密密钥 key、iv）一闪而过就错过了。

痛点很直观：

核心思路一句话：把"人肉点单步按钮"这件事，交给大模型 + CDP 协议来做。

二、整体架构：三层协作的调试循环

整个循环由三部分组成，源码入口都在仓库里可以找到：

1. CDP 客户端层：CDPClient 封装了与 Chrome/Edge 的通信，负责启动/连接浏览器、注入 Hook 脚本、发送 CDP 命令（下断点、单步、取变量等）。
2. 调试循环调度层：continuous_debugging() 是整个 AI 调试循环的主函数，文档注释写得很清楚——"通过AI分析断点处的代码和变量状态，自动决定下一步调试操作（步入、步出或步过）"。
3. AI 决策层：AIManager.get_debug_instruction() 把调试信息打包成 Prompt 发给大模型（兼容 OpenAI 格式，Qwen、DeepSeek、GPT、Claude 等均可），解析模型返回的 JSON 指令。

循环骨架非常简洁（对应 debugging_loop()）：

1. 等待断点触发（Debugger.paused事件）
2. 收集断点处的调试信息（调用堆栈 + 代码上下文 + 作用域变量）
3. AI 分析并返回下一步操作指令
4. 执行 AI 决定的 CDP 步调命令
5. 重复，直到超时或出错

下面按这个顺序逐层拆解。

三、第一步：断点暂停，收集"调试上下文"

断点触发后，真正干活的是 process_debugger_paused()，它负责把一次暂停"翻译"成大模型能读懂的文本。收集内容包括：

• 暂停位置：函数名、脚本 URL、行列号；
• 代码上下文：由 get_code_context() 截取断点前后约 150 字符（可通过debug.context_chars配置），并在当前位置插入➤标记，让模型一眼看到"执行到哪了"；
• 调用堆栈：最多 3~5 帧（内存紧张时自动降级），避免上下文爆炸；
• 作用域变量：通过Runtime.getProperties递归抓取局部/块级作用域，带多重过滤——跳过window、DOM 节点、函数等噪音，优先保留key、iv、token、data等加密相关属性名；
• 混淆检测：detect_jsvmp_patterns() 会静态分析当前脚本，识别大量 switch-case、密集数组访问、eval/Function 等 JSVMP 特征，并把"建议用 step_over 而非 step_into 减少进入混淆代码"这样的提示直接写进上下文——这等于给大模型递了一份"作弊小抄"。

所有信息压缩成一段纯文本后写入调试会话文件，同时作为本轮的 AI 输入。一个工程细节：如果压缩后的调试信息超过 100KB，会按 50KB 分片并只取前两个分片（见 ai_debugger.py#L326-L334），防止超长大模型窗口。

四、第二步：大模型的"决策大脑"

这是全文最核心的一环。AI_JS_DEBUGGER 通过 get_debug_instruction() 向大模型提问，构造的 messages 分三部分：

1. 系统提示词：定义角色（JavaScript 逆向分析专家）和三个可选动作；
2. 历史上下文：用一个容量为 3 的 deque 记录最近 3 次暂停的上下文摘要，随请求一起带上，让模型具备"短期记忆"，避免对同一段代码反复做出相同决策；
3. 当前调试信息：即第三步收集的压缩上下文。

提示词本身也经过精心设计，写在 config.yaml 的prompts.debug里，可自由修改。它告诉模型重点识别这些加密线索：

• 函数名含encrypt/decrypt/AES/RSA/MD5/SHA/Crypto等关键词；
• JS 特有加密手段：btoa/atob、TextEncoder、crypto.subtle；
• 位运算加密：XOR（^）、位移（<<、>>）、按位与或；
• 网络请求函数：fetch/XMLHttpRequest/axios/getSign/getToken等；
• 主流加密库：CryptoJS、WebCrypto、jsencrypt、sjcl 等；
• 混淆特征：eval/Function 动态执行、控制流扁平化、单字符变量名。

并且给出了精确决策规则，例如：

• step_over：首次遇到加密函数调用或 eval/Function 动态代码
• step_over：在加密函数内部的非核心步骤或复杂混淆代码
• step_out：嵌套超过 3 层或陷入重复循环时

模型的输出被强约束为 JSON 格式，且三个操作中只能有一个为true：

{ "step_into": false, "step_out": false, "step_over": true, "reason": "当前处于混淆的 switch 分支，避免深入" }

解析逻辑做了双重保险（ai_manager.py#L124-L138）：优先按 JSON 解析；如果模型返回的不是合法 JSON，就退化成对返回文本做关键词匹配；任何情况下出错都兜底返回step_over——宁可保守地"跳过一行"，也不让循环卡死。

五、第三步：指令映射为 CDP 单步命令

拿到instruction后，调度层做一次简单的字符串匹配，映射到 CDP 协议命令（ai_debugger.py#L356-L361）：

执行时会检查浏览器是否仍处于暂停状态（错误信息含while paused则跳过本次步调），每次步调结果都会通过 WebSocket 推送到 Web 界面，你可以实时观察 AI 的每一次"走位"。

值得一提的是，这套步调能力同时开放给了人工接管：Web 界面背后是 step-into / step-out / continue 三个 REST 接口，AI 自动循环和手动单步共用同一套 CDP 通道，随时可以"人机切换"。

六、闭环收尾：超时退出与自动出报告

循环并非无限运转，内置了两道保险：

1. 暂停超时：首次等待断点给 60 秒，之后每次 30 秒（ai_debugger.py#L218-L228）。长时间没触发断点即视为调试结束；
2. 总时长上限：整个调试任务包在asyncio.wait_for中，默认 600 秒封顶。

一旦结束，收尾流程自动完成三件事：

• 把 Hook 脚本捕获的[debug]日志（AES/RSA 等加解密的 key/密文/明文）追加写入调试会话文件（ai_debugger.py#L384-L403）；
• 调用 debugger_analyze() 把完整调试数据交给"分析模型"（长上下文模型优先），生成 Markdown 分析报告；
• 报告落盘到result/report/目录，可通过 Web 界面管理，例如仓库中的示例报告 analysis-2025-11-17-17-15-40.md——其中不仅还原了 AES-CBC 加解密逻辑和硬编码密钥，还直接附了一段可用的 mitmproxy 解密脚本。

至此，"断点 → 上下文 → 模型决策 → 单步执行 → 报告"的完整闭环打通，全程无需人工点击任何单步按钮。

七、快速上手与调优建议

启动项目（Python 3.11+，需 Chrome/Edge 与一个兼容 OpenAI 格式的大模型 API Key）：

git clone https://gitcode.com/gh_mirrors/ai/AI_JS_DEBUGGER cd AI_JS_DEBUGGER pip install -r requirements.txt python3 run_flask.py

然后访问http://localhost:5001，在 Web 界面选择断点模式（固定 JS 文件断点或 XHR 请求断点）、配置模型即可开始。

几条实用建议：

• 模型选择：决策环节每次只处理压缩后的上下文，小快模型（如 qwen-turbo、gpt-mini 级）就够用且省成本；分析报告环节可单独指定长上下文模型，两者在 config.yaml 中分开配置；
• 断点选不好？用 XHR 模式，系统会自动回溯顶层调用堆栈并重新下断点，省去"找不到断点位置"的烦恼；
• 想改 AI 的"性格"：直接编辑prompts.debug里的决策规则，比如把"嵌套超过 3 层才 step_out"改成更激进的阈值；
• 压缩成一行 JS 怎么断点：取消浏览器 JS 美化后查看断点行列号（行数一般为 0），FAQ 里有详细说明（见 README.md）。

八、总结

AI_JS_DEBUGGER 的调试循环设计得非常"工程化"：

1. 上下文采集有边界——限制堆栈帧数、变量属性数、分片截断，喂给模型的是"高信噪比"信息；
2. 决策有强约束——JSON 输出格式 + 明确的决策规则 + 三级降级解析，出错永远兜底step_over；
3. 循环有保险丝——暂停超时 + 总时长上限，绝不失控；
4. 结果可沉淀——每轮调试自动产出可复用的分析报告和 mitmproxy 脚本。

对新手而言，这套循环相当于一个会看 DevTools 的"副驾驶"：你只负责下好断点，剩下的步入、步出、步过，交给大模型。这也是"AI + CDP"结合在 JS 逆向场景里一个相当成熟的落地范式。