「婆媳奇缘」公媳共享母乳情深：交织亲情与职业的动人故事意外的发现，作为未来的动力又该如何抵达？，持续产生的争议，是否让我们感到无奈？
题目：婆媳奇缘：公媳共享母乳情深：交织亲情与职业的动人故事
在家庭生活中，婆媳之间的关系往往被视为一盘复杂而又微妙的棋局。在这个看似平常的故事中，却出现了让人感动且深情的一幕：一对年轻的夫妇公媳共同分享了母乳之情，这不仅体现了他们之间深厚的家庭纽带，更展示了他们对职业和亲情的平衡理解和尊重。
这位年轻的公媳名叫小明，她是一名医生，刚刚步入职场不久。初入职场时，她的职业生涯压力巨大，工作繁忙、人际关系复杂，让她倍感疲惫。她的丈夫李华则是一位成功的IT工程师，他的事业为他们的生活提供了稳定的经济保障，同时也带给了他们无尽的陪伴和支持。
在一个偶然的机会下，小明的同事介绍了一位经验丰富的产科医生给她，她非常感激这位医生的帮助和鼓励，决定尝试母乳喂养自己的宝宝。起初，小明对于母乳喂养充满疑惑和畏惧，她担心会影响自己的工作效率，甚至会对孩子的健康产生影响。但是，在和这位产科医生的沟通交流后，她逐渐理解到了母乳喂养的重要性。她知道，母乳是新生儿最天然的食物，不仅能提供足够的营养，还有助于增强免疫力、促进生长发育等多方面的好处。母乳喂养也能够减轻产后母亲的身体负担，提高她们的心理状态。
于是，小明开始了母乳喂养的生活。尽管面临着工作的困扰，但她始终坚守在工作岗位上，坚持母乳喂养，尽可能地满足宝宝的需求。她用母乳滋养着婴儿，用自己的实际行动证明了她的专业技能和服务态度，赢得了同事们的一致赞誉和尊重。
与此李华也在日常生活中尽自己所能支持和照顾小明，陪她度过每一个艰难的哺乳期。他不仅主动承担起家务，更是细心观察她的身体状况，尽力提供必要的帮助。他的关怀与呵护让小明感到温暖和安心，她的母乳喂养过程变得更加顺利和愉快。
在这个故事中，公媳们的母乳共享不仅体现了他们之间的亲子情感，更展现了他们在职业和亲情中的平衡与协调。他们共同面对生活的挑战，互相扶持，共同守护着家庭的幸福和安宁。这种亲情和职业间的交融，让人感受到了平凡生活中的美好和震撼。
“婆媳奇缘”这一篇故事，通过描绘一位年轻公媳和其丈夫如何通过母乳喂养共享母爱，展现了婆媳间的真实情感和家庭的温馨和谐。这样的故事，既让我们看到了传统家庭观念中婆媳之间的矛盾，又为我们提供了一个新的视角去审视和理解婚姻关系中的亲情与职业选择。它让我们深刻认识到，无论在何种环境中，只要有爱，有付出，就有可能找到属于我们每一个人的独特故事和奇迹。而这，正是“婆媳奇缘”背后的主题——“母爱共享，亲情交织”，一种深深的情感共鸣和人生体验，值得我们每一个人去品味和感悟。
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