"本书系统阐述大语言模型在恶意代码检测与分析领域的应用，旨在通过 LLM 提升安全分析的效率与准确性。 全书共 11 章，结构清晰、层层递进：第 1、 2 章回顾恶意软件检测技术的发展历程，并介绍 LLM 的基本原理与本地部署方法；第 3、 4 章聚焦静态特征建模与 Prompt 工程，为样本处理提供标准化方案；核心实战部分（第 5、 6、 9 章）涵盖三大典型场景——基于 LLM 的静态特征分析、沙箱报告的自动化生成，以及基于 radare2 的逆向智能体开发，展示如何利用本地或云端模型实现自动化分析；第 7、 8 章聚焦能力增强方向，引入 Agent 概念以构建简易的恶意脚本自动化分析系统，并进一步探讨检索增强生成（RAG）与多模型协作机制；第 10、11 章分析 LLM 在安全应用中的潜在风险，并展望由大模型驱动的安全自动化未来。 本书提供配套代码与模板资源，适合安全研究人员、恶意代码分析师、 AI 安全方向开发者及高校相关专业学生阅读参考。 "

林敬勤，在网络安全领域有多年的实践经验，理论功底扎实。曾开发恶意软件检测引擎、终端安全软件及大模型辅助样本分析系统。现参与清华大学网络科学与网络空间研究院相关课题研究工作。

从一位同样深耕恶意代码分析多年的研究者视角来看， 这本书令人惊艳——一位不到 20 岁的年轻人， 能从恶意代码专家分析经验中汲取养分， 进而系统性地构建出由大模型驱动的新型检测框架， 实属难得。 书中 AutoREX 自动化逆向分析系统，将 ReAct Agent、 radare2 工具与多角色Prompt 巧妙融合， 真正让大模型“动手”分析恶意样本，既有工程落地的扎实感，又充满新一代安全研究者的敏锐创造力。 强烈推荐所有希望拥抱网络安全智能化的读者阅读。 诸葛建伟博士 清华大学网络研究院研究员，蓝莲花战队共同创始人及领队 本书聚焦大语言模型在恶意软件检测与分析中的落地应用， 系统串联提示词工程、 智能体架构、RAG增强与多模型协作等关键技术， 并通过静态特征分析、沙箱报告生成、 逆向分析 Agent 等实战项目，探索智能化安全分析的新路径。内容兼具理论深度与工程实践，适合安全研究人员、恶意代码分析师及AI 安全方向读者阅读参考。 段钢 看雪学苑创始人 自从深度学习、 大模型兴起，整个安全行业就发生了翻天覆地的变化。而行业的对手——黑灰产业者都已经先行一步，AI 技术在各种网络恶意行为中被广泛应用。正因如此，在安全方面如不能拥抱AI，就将完全失去前进的可能。非常高兴在这潮流兴起的时刻，能看到林敬勤的这本书，它必将是我们共同进步前行的关键助力！ 谭文《万径寻踪： Windows 入侵检测与防御编程》 《Windows 内核编程》等书作者 在智能化背景下，本书构建了一条理论到实践的链路： 从恶意样本静态特征建模、 Prompt 工程设计...