De GitHub-repository Reverse Engineer Anything, kortweg REA, groeit razendsnel en telt inmiddels bijna 300.000 sterren. Het project geeft codingagents een gestructureerde methode om bestaande apps, websites en binaries te onderzoeken, hun werking te begrijpen en vergelijkbare functionaliteit opnieuw te bouwen. De kern is niet simpelweg “kopiëren”, maar systematisch observeren, bewijs verzamelen, aannames markeren en vervolgens een eigen implementatie maken. Daarmee wordt reverse engineering toegankelijker voor ontwikkelaars én niet-programmeurs die met AI-agents software bouwen.
Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.
Toon een agent een bestaande functie
Reverse engineering bestaat al tientallen jaren. Wat REA verandert, is vooral wie het werk uitvoert.
Waar een ontwikkelaar vroeger zelf binaries, JavaScript-bundles, netwerkverkeer en runtimegedrag moest analyseren, biedt REA een CLI en MCP-server waarmee een codingagent dat onderzoek grotendeels zelfstandig kan uitvoeren. De officiële repository beschrijft het proces in drie woorden: decompile, understand, recreate.
Het uitgangspunt is eenvoudig: toon een agent een bestaande functie die je interessant vindt en vraag hem uit te zoeken hoe die werkt.
Niet de hele app kopiëren, maar één functie begrijpen
De beste resultaten ontstaan volgens de aangeleverde demonstratie wanneer je geen complete applicatie probeert te reconstrueren, maar één concreet gedrag kiest.
Denk aan de zwevende camerabubble van een schermrecorder, een specifieke zoekfunctie, een interactieve animatie of de manier waarop een dashboard gegevens presenteert.
De agent onderzoekt vervolgens welke onderdelen zichtbaar zijn, welke code of binaries kunnen worden geanalyseerd en hoe de functie zich tijdens gebruik gedraagt. Daarna bouwt hij een eigen versie die bij jouw stack en ontwerp past.
Dat verschilt wezenlijk van een prompt als “bouw een Loom-kloon”. Zo’n opdracht is vaag. Een concrete bestaande functie werkt daarentegen bijna als een visueel en functioneel product requirements document.
Van referentie naar betere AI-output
Die aanpak beperkt zich bovendien niet tot software. In de bron wordt hetzelfde principe toegepast op videobewerking, websites, rapporten en andere creatieve workflows. Een AI-agent krijgt meerdere goede voorbeelden, analyseert patronen en bouwt daar vervolgens een herbruikbare skill van.
Het idee daarachter is relevant voor vrijwel iedere AI-workflow: een model produceert vaak betere resultaten wanneer het niet alleen wordt verteld wat het moet maken, maar ook voorbeelden krijgt van hoe een goed eindresultaat eruitziet.
REA dwingt de agent onderscheid te maken tussen feit en gok
Een van de interessantste elementen is de manier waarop bevindingen worden geclassificeerd. De workflow maakt onderscheid tussen seen, inferred en unknown.
Seen betekent dat de agent daadwerkelijk bewijs heeft gevonden. Inferred betekent dat verschillende signalen naar een verklaring wijzen, maar dat die niet rechtstreeks is bewezen. Unknown betekent dat de werking nog niet kon worden vastgesteld.
Dat voorkomt een bekend probleem bij AI-agents: aannames die gaandeweg als feiten worden behandeld en vervolgens de rest van de implementatie besmetten.
Analyse is pas het begin
De laatste stap blijft bouwen, testen en itereren.
Een agent kan een functie reconstrueren op basis van zijn analyse, maar moet daarna controleren of het gedrag werkelijk overeenkomt met het gewenste resultaat. In de aangeleverde tests leverde de REA-route doorgaans trager resultaat op dan een codingagent die meteen begon te programmeren, maar volgens de maker was de uiteindelijke implementatie wel merkbaar beter.
Reverse engineering is geen vrijgeleide om software te kopiëren
REA zegt zelf expliciet dat het geen originele broncode terugwint en niet automatisch applicaties kloont. Analyse gebeurt lokaal en het project is bedoeld om werking te begrijpen en vervolgens een aangepaste implementatie te bouwen.
Daarmee blijft ook een juridische grens bestaan. Toegang hebben tot software betekent niet automatisch dat auteursrechtelijk beschermde code, assets, handelsgeheimen of beveiligde onderdelen vrij mogen worden overgenomen.
De interessantste toepassing van REA zit daarom waarschijnlijk niet in het één-op-één kopiëren van producten.
Het grotere idee is dat AI-agents steeds beter worden in werken vanuit een concreet voorbeeld: onderzoeken waarom iets goed werkt, dat opsplitsen in onderdelen en vervolgens hetzelfde principe toepassen in een nieuwe context.