ついに REA に対抗する動きが現れました。
REA は AI であらゆるものをリバースエンジニアリングできるツールです。GitHub に公開されてわずか1週間で10万以上のスターを獲得し、多くの開発者が「ソフトウェアは死んだ」と口にするほどでした。
2026年の最も注目されたオープンソースプロジェクトを選ぶなら、候補に REA が入るのは当然です。同じように、2026年の最も危険なオープンソースプロジェクトを選ぶ場合でも、REA は外せないでしょう。
そこで動いたのが、中山大学の学部生でした。

プロジェクト名は BLA ── AI リバースエンジニアリング Agent の「目」を潰す
BLA の罠は3段階で構成されています。毒を仕込む → 予算を使い切らせる → 誤判断に誘導する、という流れです。
この組み合わせにより、BLA で保護されたソフトウェアをリバースエンジニアリングしようとすると、AI の Token 消費量が一気に 300〜2800倍 に膨れ上がります。

現時点で BLA は 3,900 以上のスターと 476 の fork を獲得しています。
AI に罠を仕掛け、Token の請求額を跳ね上げる
REA と同様、BLA も MCP サービスと CLI ツールの組み合わせです。
REA のリバースエンジニアリングは、通常次のように進みます。まずアナライザがファイルからモジュール、関数、呼び出し関係を抽出します。次にコーディング Agent がその結果をもとに、どこを調べるか、ある機能をどう解釈するかを決めます。
BLA は各段階を順番に潰していく方針です。端的に言えば、偽の情報(💩)を食べさせながら、アナライザの処理上限を限界まで突くわけです。

第1の罠:毒を仕込む
BLA はファイルの中に、本物そっくりの形式をした偽の認証情報を埋め込みます。これにより、Agent は価値のない偽の手がかりに Token を浪費します。
代表的な例が、おとり用の Source Map です。
Web ページの JavaScript はバンドルと圧縮を経て、コードがごく少ない行数に詰め込まれていることがよくあります。Source Map は、その行が元のプロジェクトのどのファイルのどの位置に対応するかをデバッガに伝えるもので、ソースコード本文が付いていることもあります。リバースエンジニアリングツールにとっては、いわば既製の道しるべです。
BLA は、形式上は有効なマッピングを生成し、架空のソースパスやコード断片を付け加えます。たとえば、ごく普通のクライアントコードが、ハードウェアのセキュア領域を呼び出しているかのように見せかけ、リモート認証用のインターフェースやコメントまで添えることができます。Agent がこれらを証拠として扱えば、実在しない呼び出しチェーンをどこまでも追いかけてしまうかもしれません。
同様のおとりとして、偽の認証情報、偽の診断情報、認可ロジックに見えるコード分岐などがあります。
第2の罠:アナライザの上限を突く
こちらはさらに直接的です。アナライザ内部にハードコードされたクォータ上限を狙い撃ちにして、ツールにエラーを起こさせます。
Electron でよく使われる .asar パッケージを例に挙げます。ヘッダにはパッケージ内のファイルを記録したインデックスがあります。BLA の最強の保護レベルでは、約4000件のおとりファイルをここに詰め込みます。各ファイルの中身は非常に短い一方でパスは非常に長く、サイズの大半がインデックスに集中します。
テストでは、607バイトのパッケージに BLA の保護をかけたところ、ファイルが 16.93 MiB に膨らみました。ヘッダが REA のデフォルト上限を超え、読み込み時にそのままエラーとなっています。
ただし、このデフォルト上限は引き上げることが可能です。また、この手法ではパッケージサイズも大きくなります。
効果については、プロジェクトの作者が実測と推定を行っています。
BLA による保護の前後を比較した13件のうち、7件は検証したステップでエラーまたは拒否が発生し、2件は部分的な結果を返しました。1件は特定のクエリを指定した場合のみエラーとなり、残る3件では REA の解析が妨げられた形跡は確認されませんでした。
コストについて、作者は社内テストの結果として、保護後のリバースエンジニアリング AI の Token 消費量は元の約 300〜2800倍 になると述べています。GitHub リポジトリにある14のサンプルで見積もると、保護後の総 Token 消費量は保護前の約 639.5倍、総費用は約 304.4倍 となっています。
中山大学の学部生によるプロジェクト
BLA の主な作者である Timo Zhang は、中山大学ソフトウェア工学専攻の3年生で、現在は ByteDance でインターンをしています。
BLA のほかにも、500以上のスターを持つプロジェクト「mu(μ)」があります。これは Raspberry Pi 上に構築された小型モデルで、Coding Agent の Token 消費を抑えることを目的としています。
Timo Zhang は LobeHub のプロジェクトコントリビューターでもあります。
さらに、中山大学のキャンパスライフにも同じように情熱を注いでいるようです。

プロジェクトリンク: