本文记录作者对 Soul（Android 6.37.0）网络协议的完整逆向经历，目标是将协议彻底复现为不依赖手机、不依赖 so 的纯 Python 客户端，连签名字段也要纯 Python 计算。作者声明全程仅使用自己的账号与授权的 root 设备（Pixel 6），仅供技术交流。 文章先盘点目标 App 的防护面：TLS 叠加私有 HTTPDNS 域（公网不解析）、主进程为 32 位（使 eCapture 等 eBPF 无注入方案出局）、反 Frida 双层检测、JNI 全部走 RegisterNatives 动态注册而没有 Java_* 导出、so 核心代码在磁盘上为密文、常量静态加密且 GOT 静止态也是密文、服务端强校验差一字节即拒。作者认为这类防护本质只是抬高时间成本，并非数学上不可解。 最终交付物是一个约 40 行的核心签名算法 cs_offline.py（标准库零依赖），以及一套完整客户端 soul_client/，覆盖短信登录、token 轮换、广场浏览/点赞/评论/关注/发帖（含图片）与 IM 收发，全部经服务端 10001 实测通过。颇具讽刺意味的是，算法本体最终被证明只是标准 MD5 加两个字符置换和两个明文常量。 入口定位上，作者从 System.loadLibrary 切入，命中 ImEncryptUtils 与 SoulPowerful 两个 JNI 门面，再逐层上溯调用链，梳理出 loadLibrary → 两个门面 → sy.h/sy.i（Retrofit 构建）→ sy.q（SoulNet 组装 OkHttp）→ ty.f（ParamsInterceptor，即 HTTP 签名落点）→ ColdStartupHelper.u 与 m0（DomainsManager）、g60.a（IM 连接配置）的结构。副产品包括按四套环境全量提取的 40 多条域名、IM 入口 im.soulapp.cn:8393 采用 HTTPDNS 多 IP 轮询，以及 ChatManager 到写线程再到 socket 的完整链路。 根据 ty.f 源码，作者整理出 HTTP 签名口径：签名串只取 url 的 path 而不带 host，将 query 与解码后的 form 合并排序，以 k=值（值用解码值）拼接；另一路取 tk、di、sdi、aid、av、at、User-Agent 七个头，按 Java 字符串排序后仅拼值；cs 交给 SoulPowerful.l 计算，sthor 走 SoulPowerful.i（v3，AB 开关），at 由另一个 so 里的 Hi.bth 生成。作者当时已意识到这些细节都可能成为服务端重算签名的雷区，随后发现自己选中的 ty.f 其实是旧版死代码，真正运行的拦截器位于 cn.soulapp.baseutility.fingerprint 相关类中。 文章规划的后继章节依次覆盖：App 阻止注入的现状、抓包的三个大坑、磁盘上并不存在的 so 代码带来的挫败、IM 帧解密的首次突破、cs 签名的五幕攻坚战、IM 消息签名与一次教科书级 dex 注入、服务端给予的教训、剩余口径的收尾，以及整体复盘。作者强调本文重在记录当时如何判断、为何这样选择、踩了什么坑与如何纠正，而非只罗列结论；正文在截断处结束，上述若干章节目前仅有标题。

本文记录了一次对腾讯 TCaptcha 滑块验证码的完整逆向工程实践，以粉笔教育登录流程为研究对象，目标是通过纯 HTTP 协议实现全自动化破解，不依赖 Selenium 或 Playwright 等浏览器自动化工具，最终实现 100% 通过率。 核心挑战包括：完整还原 TCaptcha 三阶段协议、优化 NCC 模板匹配算法计算拼图块亚像素级位置、高效求解 PoW 工作量证明，以及执行高度混淆的 TDC.js 虚拟机并仿真真实用户轨迹。 文章首先通过 HAR 抓包分析业务风控流程：发送短信接口触发 430 状态码返回 contextId，前端弹出腾讯验证码 iframe，用户验证后获取 ticket 和 randstr，提交 captcha/check 接口解除风控。验证码系统与业务系统解耦，可独立破解后提交凭证。 随后还原了前端 RSA/ECB/PKCS#1 v1.5 加密逻辑（手机号+时间戳），并用纯 Python 实现兼容的加密函数。 整体方案涵盖协议分析、图像处理、算法优化、PoW 求解和 JS 虚拟机执行等多环节，构建出一套稳定、可工程化的纯 HTTP 自动化破解解决方案。

DeepSeek发布的FlashMLA是一款为Hopper GPU设计的高效多头潜在注意力解码内核。它支持BF16计算、采用分页KV缓存技术（块大小64），并在H800 GPU上实现了3000 GB/s内存带宽和580 TFLOPS计算性能。该项目主要优化变长序列推理，可显著降低显存占用和计算开销。FlashMLA的主要应用场景包括大语言模型推理、机器翻译、语音识别和推荐系统等领域。它能加速Transformer计算，提高推理吞吐量，优化长文本处理，降低延迟。该项目受到FlashAttention 2&3和CUTLASS的启发，是2025年AI计算优化领域的重要突破。项目已开源，开发者可通过简单的Python安装命令快速部署使用。这一技术创新将为依赖GPU计算的企业和开发者带来显著的性能提升，推动AI计算效率迈向新的高度。