滋养肌肤的「甘雨乳液」：探索甘雨神秘力量的秘密配方与使用体验新背景下的选择路径，是否会走向共赢？，不容小觑的趋势，未来又会如何变化？
从古代神话中汲取灵感，源自中国大地的甘雨乳液，以其神奇的力量和丰富的营养成分，为肌肤注入源源不断的滋润与保护。甘雨乳液，作为一款由天然植物精华、矿物质和温和抗氧化剂等元素组成，以其独特的配方和无与伦比的使用体验，成为了现代人滋养肌肤的重要选择。
甘雨乳液的神秘配方源于中国古代对自然生态的深入理解和敬畏，其主要成分包括多种珍贵的草药植物提取物，如甘草、黄芩、白术、熟地黄、白茯苓、川芎、当归等，这些药物具有独特的养生功效，能够有效舒缓肌肤炎症、淡化色素沉着、提高皮肤弹性、抗衰老、保湿等多种护肤效果。
甘雨乳液中的甘草，被誉为“万能之草”，其丰富的维生素C和类胡萝卜素有助于增强皮肤的抗氧化能力，抵抗自由基侵害，延缓衰老进程。而黄芩则具有抗菌、消炎、清热解毒的功效，可以抑制肌肤表面细菌繁殖，防止痘痘的发生，同时还能改善肤色暗沉，使肌肤呈现出健康明亮的光泽。白术是中医里治疗脾虚、胃病的重要药材，其富含膳食纤维、蛋白质、B族维生素等，可以帮助肠道蠕动顺畅，排除毒素，从而改善肌肤水分不足的问题。
白茯苓具有良好的利尿作用，能够帮助排出体内的多余水分，保持肌肤水润有弹性。而当归则是女性传统养生的重要食材，其具有活血调经、滋阴养颜的功效，对于因内分泌失调导致的皮肤干燥、暗淡等问题有着显著的改善效果。
甘雨乳液还含有大量的矿物质，如钙、镁、铁等，这些都是构成骨骼、肌肉以及血液的重要矿物质，对于维持肌肤正常的生理功能，促进新陈代谢和修复受损细胞具有重要作用。在使用过程中，甘雨乳液通常需要按照一定的顺序进行涂抹，先将乳液均匀涂抹于脸部和颈部，然后轻轻按摩至完全吸收，以充分发挥其滋养和修护肌肤的效果。
甘雨乳液是一款蕴含丰富天然成分，具有独特配方和无与伦比使用的护肤品。通过科学配比，甘雨乳液不仅能满足肌肤日常所需的基本保湿需求，更能针对各种肌肤问题提供有效的解决方案。无论是干燥、暗沉、敏感还是老化，都能在短时间内得到明显的改善，让肌肤焕发新生活力。而且，由于其温和无刺激，不会给肌肤带来负担，即使是孕妇或过敏体质的人群也能放心使用。甘雨乳液不仅是滋养肌肤的理想选择，更是追求完美生活的理想妆容。在未来的日子里，让我们一同探索甘雨乳液的神秘力量，尽情享受其带给我们的美丽与舒适吧！
本文作者分别来自新加坡国立大学、北京大学与清华大学。第一作者王宇豪与共同第一作者屈文杰来自新加坡国立大学，研究方向聚焦于大语言模型中的安全与隐私风险。共同通讯作者为北京大学翟胜方博士，指导教师为新加坡国立大学张嘉恒助理教授。
本研究聚焦于当前广泛应用的 RAG (Retrieval-Augmented Generation) 系统，提出了一种全新的黑盒攻击方法：隐式知识提取攻击 (IKEA)。不同于以往依赖提示注入 (Prompt Injection) 或越狱操作 (Jailbreak) 的 RAG 提取攻击手段，IKEA 不依赖任何异常指令，完全通过自然、常规的查询，即可高效引导系统暴露其知识库中的私有信息。
在基于多个真实数据集与真实防御场景下的评估中，IKEA 展现出超过 91% 的提取效率与 96% 的攻击成功率，远超现有攻击基线；此外，本文通过多项实验证实了隐式提取的 RAG 数据的有效性。本研究揭示了 RAG 系统在表面「无异常」交互下潜在的严重隐私风险。
本研究的论文与代码已开源。
总述
大语言模型 (LLMs) 近年来在各类任务中展现出强大能力，但它们也面临一个核心问题：无法直接访问最新或领域特定的信息。为此，RAG (Retrieval-Augmented Generation) 系统应运而生——它为大模型接入外部知识库，让生成内容更准确、更实时。
然而，这些知识库中往往包含私有或敏感信息。一旦被恶意利用，可能导致严重的数据泄露。以往的攻击方式多依赖明显的「恶意输入」，比如提示注入或越狱攻击。这类攻击虽然有效，但也有着输入异常、输出重复等典型特征，容易被防御系统识别和拦截。
图1: 使用恶意查询进行逐字信息提取与使用良性查询进行知识提取 (IKEA) 之间的对比
为突破防御机制对现有提取攻击的限制，本文提出了一种全新的隐式知识抽取框架：IKEA (Implicit Knowledge Extraction Attack)。该方法不依赖任何越权指令或特异化提示语，而是通过自然、常规的查询输入，逐步引导 RAG 系统暴露其内部知识库中的私有或敏感信息。IKEA 的攻击流程具备高度自然性与隐蔽性。
其核心步骤包括：首先，基于已知的系统主题构建一组语义相关的锚点概念 (Anchor concepts)；随后，围绕这些概念生成符合自然语言习惯的问题，用于触发系统检索相关文档；最终，通过两项关键机制对攻击路径进行优化与扩展：
上述机制协同工作，使得攻击过程在保持输入自然性的同时，能够在多轮交互中高效提取 RAG 系统所依赖的外部知识内容。实验证明，IKEA 可在常规输入检测与输出过滤等防御机制下维持高成功率与提取效率，展现出强大的鲁棒性与现实威胁潜力。
方法概览：如何实现「看似正常」的提问？
具体而言，IKEA 首先从与系统主题相关的概念词中筛选出可能有效的锚点概念，并结合历史响应信息过滤无关或无效的概念。
锚点概念数据库的初始化如下：
随后，系统围绕这些锚点概念自动生成语义自然、表达通顺的问题，引导 RAG 返回内容丰富的答案，从而在多轮交互中不断扩大对隐私知识的覆盖。这种策略使攻击过程更加隐蔽，难以被传统检测手段发现。下文给出了「良性」问题的具体生成方式：
该方法设计了两项关键机制以确保知识提取效率：
经验反思采样 (Experience Reflection Sampling)
每个候选锚点概念的采样概率由如下惩罚得分函数定义：
最终的采样概率为：
可信域有向变异 (Trust Region Directed Mutation)
图 2: (左) IKEA 整体流程图；(右) TRDM 示意图
其中：
实验结果：IKEA 的提取效率远超基线方法
研究团队在三个不同领域数据集 (医疗-HealthCareMagic100k、小说-HarryPotter、百科-Pokémon) 上测试了 IKEA 攻击效果。以下是 IKEA 与其他攻击方法在「无防御」、「输入检测」、「输出过滤」三种防御策略下的比较：
表 1: 在三种数据集上不同防御策略下的攻击效果对比分析
提取知识是否「有用」？
研究团队围绕知识有效性开展了两类实验：其一，评估提取出的知识在对应文档相关的问答任务中的表现；其二，评估在有限轮次攻击下所提取知识对完整知识库的覆盖与支撑能力。实验结果表明，IKEA 不仅能够高效提取 RAG 系统中的信息，而且所提取的知识在问答任务中展现出良好的实用性，其性能接近于使用原始知识库时的表现。
图 3: 在三种不同知识库设定下的选择题 (MCQ) 与问答 (QA) 任务结果对比
表 2: 在不同防御与不同基线下提取的知识作为参考的选择题与问答任务结果对比
表 3: 基于不同攻击方法提取数据构建的 RAG 系统在完整知识库上的评估结果
总结