8 КБ skill замінює 207-тулзовий MCP для реверс-інжинірингу

Що саме замінює восьмикілобайтний файл

REA ставить MCP-шар між агентом і інструментами, якими він і так може користуватися: asar, otool, nm, go version -m, jadx, apktool, Ghidra, tshark, binwalk, sqlite3. leanrea цей шар прибирає: SKILL.md підказує агенту, яка команда найшвидша для конкретного типу цілі, дає готові команди для первинної розвідки і перелічує пастки, які за тебе ловить код REA. Інструменти агент запускає сам, через Bash.

Різниця у вазі відчутна ще до запуску задачі. REA — це 25 МБ npm-пакета плюс MCP-сервер, 23,5 КБ скіла і 48,8 КБ довідкових матеріалів, 207 тулзів (3,35 МБ визначень). leanrea — один SKILL.md на 8 КБ і нуль доданих тулзів. На тесті «відповісти OK» з усіма завантаженими тулзами REA з'їдає 400,7 тис. токенів і $1,60, leanrea — 34,5 тис. токенів і $0,09.

Три операції впритул: MCP-виклик проти голої команди

Автор порівняв однакові операції через CLI REA і через прямий виклик інструмента. Для інформації про Go-збірку: REA — 0,56 с, go version -m напряму — 0,06 с. Для огляду Mach-O: REA — 3,32 с, комбінація otool + dyld_info + nm — 0,04 с.

Найпоказовіший кейс — аналіз Electron-застосунку. REA спершу падає на перевірці цілісності asar, доки їй не передати окремий прапорець, а після цього віддає відповідь за 47,9 с і 140 МБ JSON. Пряма комбінація asar extract + rg -uu дає результат за 4,8 с і 24 КБ.

Чотири задачі бенчмарку

Порівняння прогнали в headless Claude Code (claude -p) на Sonnet 5.5, macOS arm64: 4 задачі × 3 прогони × 3 конфігурації («руки» leanrea, без скіла, REA з MCP і власним скілом), відповіді перевіряли за вручну складеними ключами.

• electron — простежити фічу через app.asar реального Electron-застосунку: від нативної функції до класу в main-процесі й IPC-каналів.
• native — інвентаризувати експорти, перевірку TCC-дозволу та single-instance lock нативного аддона (.node) того самого застосунку.
• go — визначити версії тулчейну й залежностей зі stripped-бінарника gh.
• deep — лише з дизасембльованого коду відновити формат шляху сокета, протокол і автентифікацію peer-ів для того самого lock-механізму.

На цих чотирьох задачах leanrea показав 388 с і $2,17 проти 627 с і $3,36 у REA — на 38% менше часу, на 35% менше коштів, 56% менше ходів і 60% менше токенів, за практично тією самою точністю (74/75 проти 75/75). Єдина часткова помилка leanrea — названо старіший IPC-канал замість v2-каналу, хоча обидва канали існують.

Встановлення і де прийом не спрацює так добре

Ставиться через skills CLI: npx skills add aicodeking/leanrea — він питає, для яких агентів встановлювати (Claude Code, Codex, Cursor, Gemini CLI, OpenCode та інші). Корисні прапорці: -g — встановити для юзера в усіх проєктах, -a claude-code -y — тільки для Claude Code без запитань, -a '*' -y — для всіх підтримуваних агентів одразу. Оновлення пізніше — npx skills update leanrea. Якщо агент не підтримує скіли, SKILL.md вставляється прямо в rules чи системний промпт — це звичайний текст.

Автор прямо застерігає: вимірювали на одній машині, по 3 прогони на комірку й одній моделі. REA тестували в її найкращому режимі — з відкладеним пошуком тулзів у Claude Code, тож агенти, які вантажать усі тулзи одразу, платять за рядок у 400 тис. токенів повністю. Ghidra, Hopper і jadx на машині не стояли, тож задачі з native-кодом в обох конфігураціях виконувались на тулзах Xcode. І головне: виграш leanrea проти роботи без жодного скіла (~19% швидше, 32% менше ходів) помітно менший, ніж виграш проти REA — модель сама непогано справляється з реверс-інжинірингом навіть без підказок.