乡间野趣——农村老太婆的BBWBBW之旅，俄称克里米亚大桥结构未受损，交通运行正常看似无害的提问，也能偷走RAG系统的记忆——IKEA：隐蔽高效的数据提取攻击新范式遭到大量网友的批评后，柯淳火速开直播道歉。
标题：乡间野趣：农村老太婆的BBWBBW之旅
在中国广阔的乡村，有一群独特且充满魅力的人物，他们的名字叫农村老太婆。他们不是城市中的白领丽人，而是农民们的挚友和伙伴，用她们独特的视角描绘出一幅幅生动的田园画卷，以“乡间野趣”为题，讲述了一段属于农村老太婆的BBWBBW之旅。
这位农村老太婆的生活是那样的简单而质朴，她每天起早贪黑地在田间劳作，辛勤耕耘播种，照顾家畜，同时也在自家的小院里种植蔬菜、养殖鸡鸭等小动物。她的生活中并不缺乏乐趣和惊喜。每到傍晚，当太阳落下山头时，她就会带上一只布满皱纹的手套，走进一个小树林，开始她的BBWBBW之旅。在这个过程中，她会做出各种奇妙的动作和表情，如翻跟斗、转圈、跳舞等，与大自然和谐共处，享受这份宁静和平静的时光。
BBWBBW不仅仅是一场身体上的游戏，更是对自然环境和生活节奏的尊重和热爱。它是一种生活态度，是对生活的热爱和执着追求，是对生命的尊重和敬畏。在BBWBBW的过程中，老太婆不仅体验到了乡村生活的美好，更收获了内心的宁静和满足。她的故事告诉我们，每个人都有自己的生活方式和价值追求，只要我们善于发现和欣赏其中的美好，就一定能找到属于自己的“乡间野趣”。
“乡间野趣”不仅仅是一种休闲娱乐方式，更是一种生活的态度和精神追求。农村老太婆的BBWBBW之旅，就是这种精神的最好体现。通过她的故事，我们可以看到农村生活的丰富多彩，感受到农人们的勤劳智慧和坚韧不拔，以及他们对生活的热爱和珍视。这是一次难忘的精神旅行，也是一份珍贵的财富，值得我们每一个人去品味和珍藏。
当地时间6月4日，俄罗斯总统新闻秘书佩斯科夫接受媒体采访时表示，克里米亚大桥区域发生爆炸，但大桥结构未受损坏，目前交通运行正常。
佩斯科夫还表示，俄罗斯与乌克兰的备忘录草案审议还需要时间，待完成后双方将商定下一轮谈判日期，新一轮俄乌谈判的具体时间取决于双方准备情况。
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