在二进制反汇编领域，传统多轮交互提示虽灵活，但人类干预需求高、吞吐低，无法规模化处理大量函数。Claude 3.5 Sonnet 的 one-shot prompting 模式，通过自动化循环显著提升效率，无需 fine-tuning 即可匹配复杂 MIPS binary，适用于游戏逆向如 N64 Snowboard Kids 2 项目。
Chris Lewis 在其 Snowboard Kids 2 decomp 项目中采用此方法，三周内匹配函数数超过前三月总和，预计 79% 函数可自动化处理。“在采用此工作流的三周内，我在 Snowboard Kids 2 项目上取得的进展超过前三个月。” 相比 Codex 等代理，Claude Opus 4.5（Sonnet 类似）在匹配率和指令遵循上更优，Sonnet 在 7 个难函数中解决 5 个。
核心在于构建 scorer-Claude-tools-driver 闭环。Scorer 使用 logistic regression 模型预测函数难度，避免 Claude 浪费在高复杂任务上。特征包括指令数（instruction_count）、分支数（branch_count）、跳转数（jump_count）和标签数（label_count），初始权重经数百匹配 / 失败数据微调。堆栈大小（stack_size）经测试无关，已移除。定期重训模型，提升准确率。
Claude 核心 prompt 置于 CLAUDE.md：1）为目标函数创建隔离匹配环境；2）使用工具反汇编并迭代生成 C 代码；3）10 次无进步即放弃，标记为 difficult_functions；4）匹配成功则验证构建、提交 Git。Headless 模式确保 one-shot 执行，无需人类反馈，提高 8+ 小时无人值守吞吐。
工具链模拟 Unix 风格，便于 Claude 组合：build-and-verify.sh 编译 C 并 diff 汇编，输出匹配率（100% 为完美匹配），限制输出节省 token；disassembly 转 MIPS asm；obj-diff 规范化寄存器 diff 对象文件。防御设计关键：明确错误消息（如 “BUILD HAS FAILED”）、守卫滥用（如目录 catchall make 规则引导回主项目）。
Driver 脚本 vacuum.sh 管理循环：选函数 → 调 Claude → 非零退出则退避（5 分钟轮询限额） → Ctrl-C 安全中断 → 完整日志调试失败。Token 优化：scorer 预选最易函数，避免 Claude 自选浪费。
可落地参数与清单：
Scorer 参数
- 公式：score = instruction_count + w1 * branch_count + w2 * jump_count + w3 * label_count
- 初始权重：branch/jump/label ≈ 2-3，经 logistic regression 优化（e.g., branch 权重高于初始猜测）
- 阈值：低分优先，难函数移至 difficult_functions
Prompt 阈值
- 放弃：10 次无进步
- 匹配标准：100% asm diff + 构建 checksum 一致
- 风格：C89 兼容，idiomatic N64 C（避免 goto 滥用、数组而非指针算术）
工具阈值
- 构建缓冲：92% token 触发压缩（可选扩展）
- 输出限：build-and-verify.sh 仅关键 diff，避免冗长日志
实施清单
- 提取未匹配函数 asm（decomp.me 或 splat）。
- 建 scorer 模型（Python sklearn logistic）。
- 隔离 env：CLAUDE.md + tools/ 目录。
- 跑 vacuum.sh --max-iters 无限循环。
- 监控：tail log，grep “matched” 计数；difficult_functions 人工审。
- 回滚：Git commit 每匹配，日志回溯失败。
监控要点：token 消耗（API quota）、匹配率（histogram 难度分布）、Claude 循环次数（>10 警告）。风险：hallucination 污染 repo（commit 前验证）；quota 耗尽（driver 退避）；复杂函数（>79% 需人类 + permter 如 decomp-permuter）。
扩展：RAG 检索历史匹配；XML prompt 提升遵循；集成 permuter 工具近 100% 匹配 nudge。Sonnet 3.5 编码基准领先，one-shot 适用于 x86/ARM 等 binary。
此方法将 decomp 从专家瓶颈转向计算限，未来 LLM 输出清理将主导。
资料来源：Chris Lewis 博客 The Unexpected Effectiveness of One-Shot Decompilation with Claude 和 Using Coding Agents to Decompile N64，GitHub cdlewis/snowboardkids2-decomp。