Maurice Heumann · Maurice’s Blog · 阅读原文
原始来源：Maurice Heumann · Maurice’s Blog
发现渠道：Hacker News · 当期讨论
Maurice Heumann 记录了用多个 Agent 重建游戏的过程。早期代码能启动，却存在类型、布局和逻辑错误；团队随后搁置现代化与移植目标，改用原编译器比对函数字节，并单独检查重定位符号与偏移。作者报告，最终 99% 的函数有重建源码、83% 达到字节一致，二者分母均是全部函数。代码未公开，部分日志丢失；文末的 6000 亿至 7000 亿 token 是估算，不是完整账单。
可信度 65 · 重要性 82 · 新颖度 70
技术与主题
Agent 系统 · AI 编程 · 评测与基准 · Multi-Agent · Decompilation · Binary Equivalence · Verification Harness
Maurice Heumann
原作者的实践判断；节选验收方法的结论。
brandonpelfrey
针对本篇反编译记录提出替代方案，来自本人经验，未提供可核验对照数据。
忠实转述（非原句）：他认为，若不要求字节完全相同，可以让 Agent 写语义相同的函数和测试，在模拟环境运行原版与候选版，再比较内存读写序列并要求完整行与分支覆盖。他称这样更快，也允许改变寄存器选择和指令顺序。
j2kun
回应上述替代方案，对保证范围提出技术质疑。
忠实转述（非原句）：他提醒，行为测试的等价性依赖测试集是否充分；例如溢出行为可能漏测，而本项目希望连原版缺陷也保留。
Maurice Heumann
原作者回应替代检查方案；与博客属于同一作者，不算独立证据。
忠实转述（非原句）：他反驳，内存访问相同未必覆盖寄存器与浮点状态，访问不同也可能来自不同栈槽而不改变语义。他曾尝试更宽松的等价检查，但反馈太慢；仍用它核查了部分剩余函数。
编辑评读
这份经验最有用的部分，是把验收放在生成解释之外。若审阅者主要依据工作者的注释，越能写出合理理由的结果越容易通过；若它必须对照一个不能随意改动的参照物，检查的含义就更清楚。这是读原文后的工程判断，不能由单个私有项目推出所有 Agent 都会这样失败。
不过，字节一致也会约束实现自由。brandonpelfrey 提议用执行状态和覆盖测试替代，原作者指出它可能漏掉浮点或寄存器差异。应先确定要保留哪些行为，再选择判据；只要目标允许改变实现，就不能把“不匹配”一概当成“不正确”。两人都未提供相同任务上的公开对照，因此目前能比较的是保证范围。
还有一个应单独测的问题：判据更清楚后，是否真的减少了人的审阅时间？这里至少要把搭建检查器的一次性工作，与后续每个合格结果的复核时间分开。否则把审阅者撤掉，可能只是把人工工作提前了；原文没有足以完成这种核算的时间记录。
需要留意
- 私有项目自报，未找到独立复测。