一条链路，四个环节
请求自上而下穿过四个环节：客户端发起 JSON 请求，服务层解析分发，调试内核执行后原路返回结果，调用方与被调试进程互不阻塞。
Python 客户端
零依赖官方 SDK，连接服务、序列化请求、统一地址格式，开箱即用。
表现层 · HTTP 服务
轻量 HTTP 服务，单端口同时承载业务请求与插件查询，无需额外运行时。
协议层 + 命令层
参数归一化解析，统一分发至数百个命令分支，停止态命令自动排队执行。
引擎层 · 调试内核
驱动断点、单步、注入、转储等调试事件，按状态机管理会话生命周期。
每个接口，都是一个工具
BinSentry 把 436 个调试能力暴露为结构化工具定义，AI Agent 通过 function-calling 直接驱动调试器，无需理解底层协议与命令语法。
Tool 化接口
每个接口即一个 function-calling 工具：名称、参数、返回值均有 schema 定义，模型照表生成调用，不再手工拼接命令行。
可审计会话
每一次工具调用都写入 trace 足迹并保留历史快照，AI 的每一步操作可回放、可回滚，分析过程全程留痕。
沙箱受控执行
样本运行于受控调试主机，AI 仅通过接口观测与干预目标进程，宿主环境与 Agent 运行环境完全隔离。
脚本落地
AI 生成的调试逻辑经 run_script / plugin 接口固化为脚本资产，跨任务沉淀复用，智能化程度越用越高。
失败自愈
调用出错时返回结构化错误（错误码 + 原因 + 修正提示），Agent 自行修正参数并重试，全程无需人工接管。
Token 友好输出
结果精炼为紧凑的结构化数据而非冗长文本，单位上下文承载更多信息，长会话复杂分析也能稳住推理质量。
理解任务
Agent 解析用户分析意图，结合已有反汇编与上下文，制定本次调试计划。
选择工具
从 436 个 Tool 化接口中挑选所需接口，依据 params schema 校验参数。
生成调用
输出 JSON / MCP 结构化调用，驱动调试引擎执行下断、单步、内存读取。
观测迭代
读取结构化结果、寄存器与内存状态，修正推理链条并继续下一轮调用。
BinSentry 内置标准 MCP Server，一份配置即可在 Claude Desktop、Cline、Cursor 等支持 MCP 的客户端中挂载全部调试工具，大模型即刻获得驱动调试引擎的能力。
{
"mcpServers": {
"binsentry": {
"command": "binsentry-mcp",
"args": ["--host", "127.0.0.1", "--port", "8080"],
"transport": "stdio"
}
}
}
12 个 API 类，覆盖调试全链路
调试引擎的全部能力划分为 12 个 API 类：会话管理、运行控制、断点体系、内存读写、模块与 PE 解析、寄存器与线程、调用栈与追踪、符号与标注、系统能力、反汇编与交叉引用、日志与配置、扩展接口 —— 从启动调试到取证落盘，一条链路全部覆盖。每个接口均为 Tool 化封装、自带参数校验，点击任一模块即可在接口浏览器中查看该类全部接口与调用方式。
面向逆向与安全分析智能化
436 个可编程接口，让二进制研究从 「手动点选调试器」 升级至 「脚本驱动」，并进一步演进为 「模型驱动」，充分释放大模型的逆向分析能力，帮助安全专家解放双手。
二进制程序分析
反汇编与交叉引用、模块与 PE 结构解析、符号与 PDB 加载，快速建立对目标程序的完整认知。
漏洞挖掘与验证
崩溃复现、搜索可疑字节模式、定点下断与内存补丁，精确定位触发路径并验证利用条件。
病毒木马分析智能化
在受控进程中自动执行样本，记录运行足迹、系统调用与 API 行为，支撑脱壳与内存转储取证。
智能化测试与逆向流水线
脚本化回归、批量样本处理、与外部工具链集成，把调试步骤沉淀为可复用的智能化任务。
传统调试器 vs Agent Debugger
哨兵的核心不是再造一个图形化调试器，而是转变交互主体 —— 让大模型取代人，成为调试器的操作者。
| 维度 | OllyDbg / x64dbg传统人工调试器 | Agent Debugger大模型驱动 |
|---|---|---|
| 交互主体 | 人（逆向工程师）依赖专家经验与手工操作 | LLM / AI Agent模型作为操作者，人只下达分析意图 |
| 交互方式 | 键盘 / GUI 鼠标点击快捷键、菜单、窗口面板 | JSON · MsgPack · stdio · MCP结构化协议与调试引擎通信 |
| 状态呈现 | 界面状态寄存器窗口、内存窗口、反汇编视图 | 结构化上下文底层调试状态转为模型可读的结构化信息 |
| 断点设置 | 分析者手动下断凭经验定位关键地址 | Agent 按分析策略自动下断依据推理计划动态布点与调整 |
| 输出形式 | 绘制 CPU 窗口为人眼优化的图形界面 | 返回 Token 友好结果为模型上下文窗口优化的精炼输出 |
| 根本目标 | 人分析程序辅助专家完成逆向 | 让模型「推理程序」大模型直接推理二进制行为 |
Agent Debugger 模式由 LLM / AI Agent 作为操作主体，通过 JSON、MsgPack、stdio、MCP 等结构化协议与调试引擎通信；Agent 根据分析策略 自动设置断点、采集程序运行上下文，把底层调试状态转化为大模型可读的结构化信息，输出模型友好的 Token 结果，让大模型具备 直接推理二进制程序行为 的能力。
版本对比 · 基础版 vs 旗舰版
同一个调试内核，两种交付形态 —— 从免费开放的 MCP 接入，到企业级多专家协同与大规模沙箱集群。
基础版
- 免费开放使用，开箱即用，无授权门槛
- 依托 MCP Server 打通全部调试接口
- 可接入任意大模型平台（Claude / GPT / 通义千问等）
- 动态调用调试接口，完成二进制程序分析
旗舰版
- 内置自研 AI Agent 多专家协同框架，搭配玄鉴自研大模型
- 整合 大规模沙箱集群 与智能集群调度能力
- 支持 私有化部署，高吞吐、高并发
- 分布式调试集群技术，应对批量、复杂样本场景
| 版本 | 组合 | 核心能力 | 适用场景 |
|---|---|---|---|
| 基础版免费 | BinSentry + MCP Server | 通过 MCP Server 对接调试接口，兼容各类大模型平台，动态调用接口实现二进制程序分析，并自定义产出交付报告 | 个人研究者、小团队，轻量二进制样本分析 |
| 旗舰版付费 | BinSentry + AI Agent | 自研 AI Agent 多专家协同系统 + 自研玄鉴大模型，大规模沙箱集群 + 集群调度算法，高吞吐高并发，企业级分布式逆向分析集群 | 企业安全团队，批量复杂二进制样本分析、全天候大规模漏洞挖掘、攻防研究 |
从零到第一个断点
驱动在项目根目录，客户端通过 pip 一键安装，无需其他第三方依赖。
安装驱动
驱动随项目一同分发，需与被调试程序位数一致：32 位程序对应 32 位驱动，64 位程序对应 64 位驱动。启动后自动监听本地回环端口，客户端可直接下发调试命令。
安装客户端
通过 pip 安装官方 Python 客户端，导入即可开始调试。
CMD> pip install BinSentry==1.0.3
CMD> python
CMD>
>>> from BinSentry import *
>>> client = BinSentryClient()
开始调试
启动调试会话、等待停止、设置断点、读写寄存器与内存。
>>> client.debug(r"C:\win32.exe")
>>> client.wait_stop()
>>> client.set_breakpoint(0x401000)
>>> client.run()
接口浏览器
全部调试接口均与SDK方法对应，支持关键词搜索与 API 类筛选 点击任意行 即可展开该接口的 Python 调用示例、原始 HTTP 报文与所属类。
| 接口 | Python 方法 | API 类 | 说明 |
|---|