可直接用AI辅助逆向GitHub Copilot插件代码：先AST精准分离Webpack模块，再静态分析还原依赖，接着解码字符串与控制流，最后用AI定位prompt构造逻辑。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想快速搞懂GitHub Copilot插件里那堆压缩混淆的JavaScript代码，又不想花大半个月手动还原AST、切模块、猜变量语义——现在可以用AI直接辅助逆向，把被webpack打包+babel压缩+字符串编码+控制流扁平化搅成一团的extension.js，一层层剥开看清楚它到底怎么收集用户输入、怎么构造prompt、怎么调用模型端。
提取并分离Webpack模块
第一步不是读代码，是让代码“可分”。Copilot的主文件（如extension.js）本质是一个巨型IIFE，里面藏着__webpack_modules__这个对象，每个key是数字ID，value是模块函数体。人工正则匹配极易断裂，必须用AST精准提取。
用@babel/parser将整个文件解析为AST树 → 调用@babel/traverse遍历节点，定位VariableDeclarator中id为__webpack_modules__的声明 → 取出其init.properties数组，每个元素就是独立模块。
注意：模块value可能是ArrowFunctionExpression或FunctionExpression，需统一转为函数体内容；若遇到ObjectExpression嵌套或SequenceExpression干扰，跳过该模块并记录warn，避免后续生成无效JS文件。
立即学习“Java免费学习笔记（深入）”；
对每个模块执行generate()输出独立xxx.js到./modules/目录 → 此时你将得到700+个原始模块文件，命名对应webpack ID（如123.js、456.js）。
恢复模块间依赖关系
单个模块文件仍是混淆态：参数名是a,b,c，require被替换成r，exports变成e，根本看不出谁引用谁。必须还原作用域绑定，才能顺藤摸瓜。
方法一：静态分析函数参数 → 找到每个模块顶层函数的params，若长度为3且名字分别是a、b、c，基本可判定为function(module, exports, require)标准签名。
方法二：识别require调用模式 → 在函数体内搜索CallExpression，callee为Identifier且name为r或__webpack_require__，其第一个argument为NumericLiteral → 提取该数字，即目标模块ID。
【关键前提】必须先完成模块分离，否则require调用无法映射到真实文件路径。把所有模块ID和文件路径存入Map，再批量重写每个模块里的r(123)为require('./123.js')，同时把a.exports = {...}展开为具名导出。
解码字符串与还原控制流
很多逻辑藏在_0x21a4=['\x73\x65\x74','\x63\x6f\x6f','\x6b\x69\x65','\x6c\x6f\x67']这类数组里，直接eval风险高且不可控。AI辅助此时介入：把整个字符串数组喂给本地小模型（如Phi-3-mini），提示词设为“请将下列十六进制Unicode字符串数组解码为明文，并推测每个字符串在JS上下文中最可能的用途（如set、cookie、log等）”，模型会返回：['set', 'coo', 'kie', 'log'] → 补全为['set', 'cookie', 'key', 'log']。
对控制流扁平化（如while(true){switch(t%8){case0:...break;case1:...break;}}），不硬拆，改用AST转换：识别WhileStatement内嵌SwitchStatement且test为true → 将每个case分支提取为独立IfStatement，用t的初始值+增量模拟执行顺序 → 生成线性if-else链。
这一步操作起来很简单，直接把处理后的AST传给@babel/generator，输出即可。但注意：若某case中含continue或break跳转到非相邻case，必须保留原switch结构，强行线性化会导致逻辑错乱。
用AI定位核心Prompt构造逻辑
你不需要通读全部752个模块，AI能帮你聚焦。先把所有模块按文件大小排序，优先检查体积前10大的JS（通常含主逻辑），再用以下三步筛出关键文件：
① 在每个大模块中搜索正则/prompt|context|jaccard|snippet/i，提取含匹配词的函数体；
② 对这些函数体做摘要：喂给AI，“请用一句话说明此段JS的核心功能，重点指出它是否参与构造发送给模型端的prompt，如果是，请指出prompt由哪些变量拼接而成”；
③ 验证AI结论：找到AI指出的变量（如userCode + clipboard + recentFiles），向上追溯其赋值来源，确认是否来自VS Code API调用（如vscode.env.clipboard.readText()、vscode.workspace.textDocuments）。
最终你会定位到类似buildPrompt.js这样的模块（实际ID可能是682.js），里面明确组装了三段内容：当前编辑器内容、剪贴板文本、通过Jaccard相似度从最近打开文件中筛选出的top3代码块——这正是Copilot“理解上下文”的技术落点。
