670 星背后的 24 小时:LeanREA 起量曲线说明了什么

原创2026-10-19 17:12:041,821 阅读
文章标签:AI 技能逆向工程人工智能Agent 评测开发工具

670 星背后的 24 小时:LeanREA 起量曲线说明了什么

2026 年 10 月中旬,REA(Reverse Engineer Anything)以罕见的速度霸占了 GitHub 趋势榜,"AI 逆向一切" 成为中文技术社区的共同话题。就在这个浪潮的峰值日,一个只有 4 个 commit、仓库体积 24 KB、核心内容是一个 8 KB Markdown 文件的仓库 aicodeking/leanrea 上线了——它做的事情只有一件:用一份 skill 文件替代 REA 的整套 MCP 服务,并附上一组对照基准测试。上线 24 小时,这个仓库拿到约 670 颗星。

这篇文章不重复"REA 很火"的新闻,而是把 leanrea 的起量曲线拆开:先对齐 star / fork 的统计口径,再拆解 2 天 670 星的节奏构成,接着说明它和 REA 浪潮的共振关系,最后给出一份"什么信号出现才值得提高关注优先级"的清单。所有仓库级数据均引自本地仓库文件与 GitHub API 在 2026-10-19 的快照。

一、先对齐数据口径:star、fork 与小时增速怎么算

谈起量曲线之前,必须先把三个指标的口径说清楚,因为三者在这个仓库上的含义完全不同。

  • star:纯信号量,成本几乎为零,受新闻周期驱动最明显;
  • fork:对 leanrea 这类"skill 文件即产品"的仓库,fork 更接近"使用意图"——README 给出的手动安装方式就是把 leanrea/SKILL.md 复制进自己的 agent 技能目录,fork 是这条路径的自然副产品;
  • watch / subscribers:主动订阅更新,数量最少但最"重"。

以 2026-10-19 09:00 UTC 的 API 快照为基准,仓库自创建(2026-10-17 02:53 UTC,北京时间 10 月 17 日上午 10:53)起 54 小时的数据是:

指标 数值(T+54h) 说明
star 749 其中约 670 落在首个 24 小时内
fork 125 fork/star 比约 16.7%
subscribers 8 主动订阅
open issues 5 两天内的早期需求信号
commit 数 4 全部集中在创建后 33 分钟内

"小时增速"的算法就是 (区间末累计 star − 区间首累计 star) ÷ 区间小时数。由于 GitHub 不提供公开的 star 时间序列,只能用两个快照做分段估计:首 24 小时约 28 star/h,随后的 30 小时约 2.6 star/h——这是本文最重要的一个数字对,后面拆解节奏时会反复用到。

还有一条容易被忽略的口径事实:这个仓库 language 字段被识别为 Python,实际来自 bench/ 下的测试脚本;真正的产品只有一个纯文本文件 leanrea/SKILL.md,8374 字节,与 README 宣称的 "8 KB skill" 吻合。没有任何 CI、没有 issue 模板、没有 release,仓库本体在 2026-10-17 03:26 UTC 之后就再没有代码变更。这意味着:它的 star 曲线在创建当天之后,实际上就是一篇"基准测试报告"的传播曲线,而不是产品迭代曲线。

二、2 天 670 星的节奏拆解

2.1 时间线:内容在前一天就已完成

节奏拆解的第一步是把 commit 时间线摆出来(仓库全部历史):

时间(UTC) commit 内容
10-17 02:53 a07ed0e feat: leanrea skill, README and REA benchmark harness
10-17 03:11 bc5eca1 docs: install via npx skills add aicodeking/leanrea
10-17 03:25 91c75b1 docs: drop target app name and feature details from README
10-17 03:26 09ba4aa docs: simplify usage example

四个 commit 全部在 33 分钟内完成,且 bench/BENCHMARK.md 的落款日期是 2026-10-16——基准测试在仓库公开前一天就跑完了。这是典型的"成品仓库"发布模式:叙事、数据、复现脚本一次性到位,star 的增长从第一分钟起就与 REA 新闻的流量绑定。

一个值得注意的细节:第三个 commit 专门把基准测试所用目标桌面应用的名称从 README 中删除("drop target app name and feature details")。而 bench/tasks.json 里的 prompt 仍然写着 "app.asar in this folder is the Notion desktop app (Electron)"——作者选择了在文档层面降低合规暴露,但保留了可复现的完整任务定义。这个动作本身说明作者对"蹭一个真实商业软件做基准"的边界是有自觉的。

2.2 曲线形态:单峰新闻曲线,而非爬升曲线

把两个速率数字放在一起,曲线形态立刻清晰:

  • T+0 ~ T+24h:约 28 star/h。对应时段恰好覆盖 REA 话题在中文社区的密集传播窗口(掘金上 10-12 至 10-16 连续出现 "三天 11 万星"、"一周 10 万星"、"一个月 15 万星" 等系列文章),以及 GitHub 趋势榜的英文侧流量;
  • T+24h ~ T+54h:约 2.6 star/h,衰减约一个数量级。此时内容没有新增,衰减说明第一波是"新闻读者"而非"工具使用者";
  • T+54h 之后仍在走量:GitHub 事件流首页(100 个事件)只覆盖 10-19 04:08–09:00 UTC 这约 5 个小时,其中包含 9 个 ForkEvent 和数十个 WatchEvent——长尾没有归零,fork 速率约 1.8/h,对两天 125 fork 的总量而言仍然是健康占比。

2.3 曲线背后的技术实体:这 670 星到底为什么点

star 能持续的前提是内容经得起点开。leanrea 的核心主张写在 README.md 里,可以压缩成一张对比表:

REA 6.5.0 leanrea
安装物 25 MB npm 包 + MCP server 一个 SKILL.md
指令量 23.5 KB skill + 48.8 KB references 8 KB
注入 agent 的工具数 207 个(3.35 MB 工具定义) 0(直接用 Bash)
仅加载全部工具后回复一句 "OK" 的上下文 400.7k tokens,$1.60 34.5k tokens,$0.09

基准测试的完整设计在 bench/BENCHMARK.md:Claude Code headless(claude -p)、Sonnet 5.5、macOS arm64,4 个逆向任务 × 3 次重复 × 3 个实验臂(none / leanrea / rea),36 次运行并排执行,答案用正则对照手写 key 打分。任务取自 bench/tasks.json:Electron 应用的麦克风占用检测链路、macOS 原生插件的 TCC 权限与单实例锁、gh 二进制的 Go 工具链与依赖版本、以及仅从反汇编还原单实例锁的 socket 路径格式与鉴权方式。总表结果:

arm wall time cost turns tokens score
leanrea 388 s $2.17 55 2.40 M 74/75
no skill 479 s $2.21 81 3.11 M 67/75
REA(MCP + skill) 627 s $3.36 124 5.93 M 75/75

相对 REA:38% 更短耗时、35% 更低成本、56% 更少 turns、60% 更少 tokens,准确率持平(唯一一次部分失分是把 IPC 通道 v1 说成了非 v2,两个通道在应用里都存在)。

单次运行的原始数据全部落在 bench/results/final.jsonl,每行一次运行,例如:

{"arm": "lean", "task": "deep", "rep": "11", "wall_s": 38.0, "turns": 6, "cost": 0.2319, "score": "8/8", "tools": ["Bash:cd", "Bash:cd", "Bash:cd", "Bash:cd", "Bash:cd"]}

对比同一条 deep 任务的 REA 臂:同样的 8/8 得分,但 wall 45.7–54.1 s、turns 9–12,且工具轨迹里穿插着 mcp__rea__open_binary、mcp__rea__search_strings 等多次 MCP 往返。逐条数据允许读者自己复核每一格均值,这比只给一张汇总表的可信度高一个量级——这正是这份 star 曲线里含金量最高的部分。

微基准同样锋利。bench/BENCHMARK.md 记录了三组"同一操作、同一文件"的直接对比:

操作 REA CLI 原生命令
go version -m 取 build info 0.56 s,62.5 KB 0.06 s,15.6 KB
Mach-O 概览(otool/dyld_info/nm) 3.32 s,52.8 KB 0.04 s,28.3 KB
分析真实 Electron 应用 先报 artifact_integrity_mismatch,加 flag 后 47.9 s + 140 MB JSON asar 解包 + rg -uu:4.8 s,24 KB

而 8 KB 的 leanrea/SKILL.md 本身,结构是"规则 + 路由器 + 首步命令 + 提速模式"四段:先用 file 和魔数把目标路由到对应行(Electron、Mach-O、Go、Rust、.NET、APK、WASM、SQLite、pcap、固件、网站),每行给出"最快的一条命令",再附几条经验法则(rg -uu 搜隐藏目录、批量探测塞进一次 shell 调用、结论必须标注 seen / inferred / unknown)。它不封装任何工具,只是把"哪条命令最快、哪里有坑"写下来,让 agent 直接跑 Bash——这也是 "no MCP" 立场的全部含义。

三、与同期浪潮的共振关系

单看 670 星很难判断是流量还是产品力,把它放回 REA 的时间线里,共振关系会立刻显现。

REA 一侧的浪潮(数字来自各媒体报道,快照时点不同,本身就不完全对齐——这本身就是个值得留意的现象):仓库创建于 2026-04-14,半年报道口径约 4.4 万星;进入 10 月后出现 "一周 10 万星"(极客公园)、"三天 11 万星"(掘金)、"单日涨星 2.5 万"(头条)的报道集群;DoNews 与 SmartHey 分别给出 "9 天 20 万星"、"9 天 25 万星",麻省理工科技评论的标题是 "狂揽近 30 万颗 Star"。而 GitHub API 在 2026-10-19 的实测值是 328,450 star / 83,138 fork——也就是说,各媒体标题里的数字都赶在 10 月中旬同一周内不断被刷新,标题竞赛本身就是这场浪潮的一部分。

leanrea 的入场点:2026-10-17,即中文社区传播密度最高的 10-12 至 10-16 窗口结束后的第二天。共振机制有三个具体抓手:

  1. 命名即入口:"leanrea" 直接寄生在 "REA" 的认知上,仓库 description 第一句就是 "One 8 KB skill that replaces REA",任何搜 REA 的人都能被顺带索引到;
  2. 对比即内容:全部营销素材就是那张对比表和 38% / 35% 两个数字,无需第二篇博客;
  3. 受众完全重叠:REA 的目标用户(Claude Code、Cursor、Codex 用户 + Ghidra/逆向人群)就是 "MCP 工具太多、上下文太贵" 这个抱怨的发出者,leanrea 恰好把抱怨变成了可复现的测量。

但共振也意味着上限。REA 的 32 万星对应的是一个持续六个月的仓库、1234 个 open issues、完整的 npm 包与 MCP 服务;leanrea 的 670 星对应的是一个 24 KB 的静态报告。两者的星量比大约是 490:1,而两者在 "被真实使用" 维度上的差距未必有星量比那么大——leanrea 16.7% 的 fork 率(125/749)并不低于 REA 的 25%(83,138/328,450)太多,这说明点 star 的是新闻读者,fork 的才是把 SKILL.md 拷进技能目录的人。

四、什么信号出现才值得提高关注优先级

对"是否值得优先投入时间"这个决策,建议按下面的信号分层,且权重递减:

  1. 第三方复现(权重最高)。复现成本被作者压到了极低:cd bench && ./setup.sh && ./run_all.sh,36 次运行约 $8(Sonnet 计费)。任何人在自己机器上跑出不同量级的数字,都会直接改写这个项目的叙事。目前仓库没有看到社区复现数据的回流,这是当前最大的信息缺口。
  2. fork 的行为模式。125 个 fork 里如果开始出现实质改动——比如在 leanrea/SKILL.md 的 Router 表里补 Linux/Windows 行、给 Hermes 或 Flutter 行加本地实测命令——那就是真实使用的铁证;如果 fork 全部停在全量镜像,则更偏向 GitHub 的"fork 即收藏"行为。
  3. 曲线是否走出新闻周期。T+30 小时的 2.6 star/h 已经明显衰减。若 48–72 小时后增速再次抬升且伴随 issue 里的真实问题(而非 "how to install" 类流量提问),说明出现了口碑二传;若持续贴地,则 670 星基本应记入"一次性新闻消费"。
  4. issue 质量与维护者响应。两天 5 个 open issue,作者最后提交停在 10-17。是否开始回复、是否把社区发现的坑补进 SKILL.md(而不是发新仓库),决定了它是"一份报告"还是"一个项目"。
  5. 生态位固化。是否被 skills 分发体系(npx skills add)或其他 agent 的默认技能包引用。对 8 KB 纯文本产品而言,被引用即分发。

同时应把降级信号一并记下,这些作者在 bench/BENCHMARK.md 的 Caveats 里都自己写了:n=3 per cell、单一模型(Sonnet 5.5)、单一机器;REA 臂跑在 Claude Code deferred tool search 的最佳情形下(全量加载工具的 agent 要付出 400k-token 那一行,对 REA 不利而非有利);Ghidra、Hopper、jadx 未安装,native 任务实际走的是 Xcode 工具链而非 REA 的完整引擎——这恰恰是 REA 的强项场景;bench/tasks.json 的打分 key 绑定了特定应用版本与 go1.27.1,"Other versions need new keys"。换句话说,"38% 更快、35% 更省" 是一个在特定目标、特定版本、特定模型下的测量值,不是普适定理。

结语

把曲线合起来看:24 小时 670 星的大约八成来自 REA 浪潮的流量外溢,两成来自"207 个 MCP 工具 vs 一份 8 KB skill" 这个足够锋利的叙事——而真正决定 leanrea 会不会在浪潮退去后剩下的,是 bench/ 目录里那 36 行可复核的运行记录,以及它首次把 "MCP 工具膨胀的上下文代价" 变成了一个可以用 $0.09 vs $1.60 报价的公开测量。曲线是浪潮的票根,bench 才是留得下的资产。对一个 24 KB 的仓库而言,接下来 72 小时的 fork 行为与 issue 动态,比 670 这个数字本身更值得盯。

登录后查看全文
leanrea