Neste artigo
No post de lançamento do Kuna, Zion Leonahenahe Basque, professor assistente, descreve um decompilador experimental escrito quase todo por um LLM. O texto é de 29 de julho.
O que é o Kuna
Segundo o post, o Kuna é um decompilador experimental feito para refinamento autônomo. Ele é descrito como um port em Rust do decompilador do Ghidra, da NSA, reajustado para seguir mais de perto o pipeline do angr. O autor diz que “um LLM escreveu quase todas as linhas” do projeto.
Como a IA entrou
O modelo comparava o resultado com decompiladores de referência (IDA Pro, Ghidra e angr), identificava onde estava atrás e melhorava por tentativa e erro. O LLM reimplementou mais de 20 recursos fundamentais do angr, que levaram anos de pesquisa para serem desenvolvidos originalmente.
Os números
Em funções de programas em C, o Kuna atinge 44,4% de “estruturação perfeita”, contra 45,7% do IDA Pro. A diferença é pequena. O texto, porém, mede só estruturação de fluxo de controle em C, e não diz que conjunto de benchmarks foi usado nem a arquitetura alvo.
As ressalvas do autor
Ele diz que o resultado só foi possível porque havia décadas de pesquisa prévia em decompilação para o modelo se apoiar. Aponta três limites: o Kuna depende de ideias científicas já existentes e não surgiu de forma automática, a pesquisa conduzida por humanos continua essencial, e ainda falta muito além da estruturação (tipos, otimizações, recompilabilidade, identificação de variáveis).
O texto não informa licença nem planos comerciais. A versão anterior deste post dizia que o Kuna descompilava MSP430 e atribuía o projeto a “Noel O.”; nenhuma das duas coisas está na fonte, e foram removidas.
O que esse caso me diz sobre IA escrevendo código
O que me chamou atenção no post não foi o número de 44,4%, e sim a honestidade das ressalvas. O próprio autor diz que o modelo só chegou lá porque existiam décadas de pesquisa e decompiladores de referência para comparar. Em outras palavras, o LLM tinha um alvo claro e uma forma automática de saber se estava melhorando.
Eu acho que essa é a lição mais útil para quem programa com agentes no dia a dia. Agente funciona bem quando existe um critério objetivo de sucesso: um teste que passa ou falha, uma saída de referência para comparar, uma métrica que dá para rodar a cada tentativa. Sem isso, o modelo produz algo plausível e para. Com isso, ele consegue iterar por conta própria.
Na prática, antes de pedir uma tarefa grande para um agente, eu me pergunto: como ele vai saber que acertou? Se a resposta for “eu vou olhar e decidir”, a tarefa precisa ser menor. Se eu consigo escrever o teste antes, a chance de o resultado prestar aumenta muito. O Kuna é um exemplo extremo dessa mesma regra.
Leia também: Outro projeto pensado para ser escrito por agentes, e não por humanos, é o Flint, a linguagem de visualização da Microsoft para agentes de IA.
