每每看到那些很漂亮、很厲害的網頁設計，工程師的職業病讓我們習慣性地開始分析這個網頁用了哪些技術棧，從開發者工具中嘗試挖出些什麼蛛絲馬跡，但在經驗、知識以及沒有原始碼的狀況下，要依樣畫葫蘆做出一樣的網站，需要大量的時間進行試錯。
在這種「伸手不見五指」的困境中，我們該如何透過 AI 進行現代化的技術反推呢？這就是「黑箱逆向工程」(Blackbox Reverse Engineering) 登場的時刻。在科技諮詢機構 Thoughtworks 最近的一項實驗中，他們以 Odoo CRM（一款開源企業資源規劃系統）為對象，挑戰在完全不看原始代碼的情況下，如何利用 AI 重建系統。
黑箱逆向工程的原理
「黑箱逆向工程」其實就像觀察一台自動販賣機。即使你看不見機器內部的齒輪、馬達或電路板，但只要你觀察到「投入 20 元」並「按下按鈕」，機器就會「掉出一瓶可樂」，你就能推導出它的運作邏輯。我們不需要拆開機器，只要透過觀察「輸入」與「輸出」的關係，就能寫出這台機器的說明書。
使用 AI 導航員進行自動化的「偵查」任務
在傳統的開發流程中，工程師需要花費數週手動點擊每一個按鈕來記錄功能。但在這次實驗中，Thoughtworks 使用 AI agent 配合 Playwright MCP（一種自動化控制瀏覽器的工具）充當這項逆向工程的「偵查兵」。
給 AI 的提示詞很明確：查看 Odoo CRM 中「銷售流水線 (Sales Pipeline)」裡使用者如何使用「建立新機會」的功能，AI 會像真實用戶一樣操作介面，自動點擊、截圖，並生成功能說明書，對「使用者介面 UI」、「資料庫 Database」、「網路流量 Network Traffic」進行不同程度的觀察。
- 使用者介面：觀察靜態元素（static elements）、動態行為（dynamic behavior）、點擊路徑（click paths）
- 資料庫：雖然後端程式碼是隱藏的，但資料庫 schema 與現有資料則可以被檢視與分析
- 網路流量：允許 AI 檢查瀏覽器與後端伺服器之間的網路請求（network requests），作為額外的資料來源
它不僅能捕捉到最順利的「快樂路徑」(Happy Path，代表最標準的操作流程)，同時還發現必須讓 AI 運行多次並合併結果，才能挖掘出更複雜的流程分支——例如：當某個下拉選單被選取時，哪些欄位會神奇地自動填入。這種自動化偵查將工程師從枯燥的點擊測試中解放，讓我們能從更高維度去審視系統。
數據捕捉的智慧——追蹤「泥地上的腳印」
如果不看代碼，我們怎麼知道後端在偷偷做什麼？我以可以把這稱為追蹤「泥地上的腳印」法。即使我們看不見一個人在黑夜中走路，但只要觀察泥地上留下的腳印，就能知道他去了哪裡。
在實驗中，Thoughtworks 利用 CDC（Change Data Capture，資料變更追蹤技術）在資料庫設置觸發器。當 AI 在前端點擊按鈕，CDC 就會即時記錄下資料庫中所有的 INSERT（新增）和 UPDATE（更新）操作，這一種成本低但有效的黑箱 query reverse engineering 技術。
相比於監控複雜的 API（系統間通訊的介面），監控資料庫（CDC）有以下優勢：
- 直擊真相：API 往往只是內部的實作細節，甚至比資料庫更難搞懂；而資料庫的變動才是業務邏輯最終且最真實的體現。
- 低成本且高效：透過數據結構的改變，AI 能精準反推出後端執行的業務規則。
- 高保真度：它揭示了系統真正「儲存」了什麼，而非僅僅是前端「顯示」了什麼。
AI 只是加速器，而非完全自動駕駛
雖然 AI 在生成規格書方面表現卓越，但在「驗證與重建」階段，它仍會露出馬腳。當我們嘗試將生成的規格書輸入到 Replit（一種快速開發程式碼的工具）進行重建時，我們發現 AI 在規劃複雜的實施步驟時非常吃力，它甚至會完全無視我們提供的資料庫架構（Schema），自顧自地寫出錯誤的查詢指令。
這帶給所有工程師一個至關重要的教訓，正如實驗總結的核心觀點：
「AI 是一個加速器，而不是開發自動化工具，開發過程是人機協作的成果。」
在 AI 時代，工程師的角色正從「寫代碼的人」轉變為「系統守護者」或「邏輯稽核員」，我們需要引導 AI 的構建策略，並在 AI 產生幻覺、偏離軌道時給予修正。
「模糊」測試的興起——讓自動化測試更具「人味」
過去的自動化測試非常僵硬，如果網頁標籤（DOM，網頁的結構元素）稍微改動，測試就會失敗。但 AI 賦予了測試「視覺」與「理解力」。
現在我們可以使用自然語言指令來撰寫測試，例如將生硬的代碼改為：「點擊『+』圖標來創建新機會」。這種方法最神奇的地方在於：同一套測試指令，可以同時運行在 10 年前的高齡系統與剛開發出來的新原型上，即便它們長得完全不同。這種「模糊」的測試方式讓系統遷移過程中的功能驗證變得前所未有的簡單。
這項實驗的意義
這場黑箱實驗帶給我們三個重大的啟示：
- AI 是加速器，不是完全自動化工具
- 任務必須迭代分解，進行小步驟的反向工程
- 持續驗證並給予反饋，提升反向工程的品質
當代碼不再是唯一的真相來源時，我們的核心價值將轉向成為一名「系統考古學家」或「意圖架構師」，此時工作不再只是敲擊鍵盤，而是去定義問題、引導工具，並驗證 AI 生成的系統是否符合現實世界的業務邏輯，未來理解系統「為什麼」這樣運作，將比寫出它「如何」運作更加重要。