AI 时代，前端逆向的门槛已经低到离谱 — 以 Upwork 为例

我用 AI 逆向 Upwork 消息系统，2小时搞定数据层开发

前言

作为 Upwork 自由职业者，我一直觉得它的消息管理界面信息量太大，不够直观。我想做一个 Chrome 插件来简化消息管理，核心需求很简单：一眼看出哪些对话需要我回复，哪些在等对方。

传统做法是下载混淆后的 JS 文件慢慢分析，但这次我决定换个思路——全程和 AI 配合，看看能多快搞定。

结果远超预期。从零开始到完全摸清 API、认证方式、数据结构，总共不到 2 小时。

第一步：摸清技术栈（5分钟）

打开 Upwork 消息页面，F12 看 Sources 面板，从加载的 JS 文件名就能判断出技术栈：

ThunderNuxt/rooms.fdb6ff58.js ThunderNuxt/realtime.fa79131f.js ThunderNuxt/composer.9c0ad3d8.js

“Thunder” 是 Upwork 消息系统的内部代号，基于 Nuxt.js（Vue 2 SSR 框架）。实时通信用了两条 WebSocket 连接，都基于 Atmosphere.js 框架：

wss://tl.upwork.com/wp?app=thunder&... // 消息主通道 wss://tl.upwork.com/wp?app=global-dash-api&... // 通知/监控

同时还加载了 Forter、Incognia 两套反欺诈 SDK 和 OneTrust 隐私合规组件。整体架构很清晰。

关键发现：不需要下载和分析任何 JS 文件。 那些代码都是混淆压缩过的，变量名全是 o4Y、H1l 这种乱码。我需要的只是数据从哪来、长什么样。

第二步：找到 Vue 实例和 Store（15分钟）

Upwork 消息页面实际上有两个独立的 Vue 应用——顶部导航栏是一个微前端（spa_user.umd.js），消息主体是另一个。直接用 document.querySelector('#app').__vue__ 是找不到的。

最终通过遍历 DOM 定位到正确的入口：

void function() { let s = null; document.querySelectorAll('div').forEach(el => { if (el.__vue__ && el.__vue__.$store && !s) { s = el.__vue__.$store; } }); if (s) { console.log('模块:', Object.keys(s._modules.root._children)); console.log('State:', Object.keys(s.state)); console.log('Actions:', Object.keys(s._actions)); } }();

但发现了一个意外：Thunder 的 Vuex Store 里并没有消息数据模块。模块列表是 tracing、context、user、flags、theme 这些基础设施，消息数据完全走 REST API 获取。

这说明 Upwork 的消息内容不缓存在前端状态管理里，每次都是从服务端拉取。对我的插件来说反而更简单——直接调 API 就行。

第三步：抓取 API 端点（10分钟）

在 Network 面板筛选 Fetch/XHR，切换对话时可以看到所有请求。核心 API 一共就几个：

GET /api/v3/rooms/rooms/simplified?limit=20&callerOrgId={orgId} → 对话列表 GET /api/v3/rooms/rooms/{roomId}/stories/simplified?limit=20&callerOrgId={orgId} → 消息列表 GET /api/v3/rooms/rooms/{roomId}/users?limit=100&callerOrgId={orgId} → 对话参与者 GET /api/v3/rooms/users/messageCounts?callerOrgId={orgId} → 未读数统计

所有请求都挂在 /api/v3/rooms/ 路径下，参数结构统一，非常规整。

第四步：搞定认证（5分钟）

直接调 API 会返回 401 Unauthorized。Token 在哪？

遍历 localStorage 立刻找到：

localStorage.getItem('f60cac5f103c5518_api_token') // → "oauth2v2_int_36466ecdc9f06e6509a66b018cf9a60e"

加上 Authorization: Bearer 头就能正常请求：

const token = localStorage.getItem('f60cac5f103c5518_api_token'); const headers = { 'Authorization': 'Bearer ' + token, 'Content-Type': 'application/json' }; const res = await fetch('/api/v3/rooms/rooms/simplified?limit=20&callerOrgId=' + orgId, { headers }); const data = await res.json();

对于 Chrome 插件来说，Content Script 运行在 Upwork 页面上下文中，用户已经登录，直接从 localStorage 读 Token 即可，不需要用户手动输入任何凭据。

第五步：解析数据格式（20分钟）

这是最有趣的部分。API 返回的不是常规 JSON，而是 Thrift 序列化的 JSON 格式，字段名全是数字编号：

{ "1": {"str": "room_f0ff6267bae1..."}, "2": {"str": "某某客户"}, "7": {"str": "项目标题"}, "8": {"map": ["str", "str", 26, {...}]}, "10": {"i32": 0}, "12": {"i64": 1771698648604}, "13": {"rec": {"1": {"str": "story_865b..."}, "8": {"str": "消息内容"}}} }

看起来像加密？其实不是。Thrift 是 Apache 的跨语言序列化框架，数字编号只是字段 ID。通过对照页面上显示的内容和返回数据，每个字段的含义很快就反推出来了：

对话（Room）结构：

消息（Story）结构：

这些数字编号在 Upwork 内部的 .thrift 定义文件里有对应的字段名，但我们不需要那个文件，通过数据本身就能完全还原语义。

第六步：实现核心业务逻辑（5分钟）

有了数据结构，插件的核心逻辑就非常简单了。我最想要的功能是对话状态自动分类——判断"最后一条消息是谁发的"来决定状态：

function getRoomStatus(room, myId) { const lastStory = room['13']; if (!lastStory) return { label: '无消息', icon: '⚪' }; const senderId = lastStory['5']?.str; const unread = lastStory['13']?.tf === 0; const time = lastStory['3']?.i64; const daysSince = (Date.now() - time) / 86400000; if (senderId !== myId && unread) { return { label: '新消息', icon: '🔴', priority: 1 }; } if (senderId !== myId) { if (daysSince > 3) return { label: '急需回复', icon: '🟠', priority: 2 }; return { label: '需要回复', icon: '🟡', priority: 3 }; } if (senderId === myId) { if (daysSince > 7) return { label: '对方可能忘了', icon: '💤', priority: 4 }; return { label: '等对方回复', icon: '🟢', priority: 5 }; } }

五种状态，按优先级排序，一眼就知道该先处理哪个对话。

总结：AI 改变了前端逆向的游戏规则

整个过程没有下载任何 JS 文件，没有用反混淆工具，没有读一行压缩代码。

传统逆向流程：下载 JS → 格式化 → 反混淆 → 读代码 → 猜逻辑 → 试错。可能需要几天。

AI 辅助流程：告诉 AI 你看到什么 → AI 告诉你下一步查什么 → 把结果贴回来 → AI 分析含义。2 小时。

本质上 AI 充当了一个"有经验的逆向工程师搭档"。它知道 Nuxt 应用的 Vue 实例挂在哪里，知道 Atmosphere.js 是 WebSocket 框架，知道 Thrift 序列化长什么样，知道 OAuth Token 通常存在哪。这些经验以前需要人积累多年，现在一个对话窗口就搞定了。

前端 JS "加密"的门槛已经非常低了。只要数据要展示给用户，它就必须在浏览器里被解密和渲染，这个过程中的一切都是透明的。AI 只是让找到这些数据的过程变得极其高效。