91人众眼共睹：揭秘‘人人看我’背后的奥秘与影响力探索令人警觉的现象，是否让人倍感不安？，重大的社会事件，是否应该让我们有所警觉？
某日，阳光明媚，校园内一群高大威猛的青年聚在一起。他们并非普通的学生，而是以91人为代表的人群，这组人群被人们普遍称为“人人看我”。而这个现象背后，却隐藏着一项神秘且深远的影响，引起了人们的广泛关注。
“人人看我”这一现象的出现并非偶然。在这个信息爆炸的时代，网络社交、社交媒体等新兴媒体已经渗透到我们的生活中，每个人的言论和行为都可能被海量的数据记录和分析。这些数据集如一面镜子，映射了每个个体在社会中的位置和形象，进而形成了人们对个人的认知和评价。
这种评价并非单一的、基于事实的数据，更多的是由观察者群体的主观印象和情感倾向所塑造。例如，在一个班级里，有的人可能会因为出众的成绩、良好的品行或独特的个性而在同学们中享有较高的声誉，而其他人则可能因为某个小错误或者偶尔的失态而倍感压力。这种差异性的评价结果，构成了“人人看我”的核心要素之一。
“人人看我”的影响力也不可忽视。一方面，它直接反映了社会对于个体价值的期待和要求，通过公开展示自己的优点和长处，每个人都可以借此机会向外界证明自己，提升自尊心和自我认同感。另一方面，它也推动了个体之间的交流和互动，每个人都有可能从他人的反馈和评价中学习和进步，形成互补性和合作性，共同构建和谐的社会环境。
“人人看我”并非一帆风顺。随着网络社交平台的兴起，过度依赖于他人评价的现象开始显现。许多人在追求表面上的成功和赞扬时，忽视了自身的内在修养和人格魅力，甚至出现了虚荣心和攀比心理。与此虚假的宣传和不良的信息在网络中广泛传播，对个体的思想观念和价值观产生负面影响。如何引导“人人看我”保持理性，防止其走向极端，成为了当今社会亟待解决的问题。
面对“人人看我”的复杂问题，我们需要从以下几个方面进行探索和实践：
强化公民意识教育。学校和社会应加强对公民道德、社会责任、人格修养等方面的教育，帮助公众建立正确的自我认知和评价标准，避免盲目跟风和攀比。
鼓励多元化的评价方式。除了个人的表现外，还可以引入第三方公正的评价机制，如专家评审、同行评价、公众投票等，以更加全面、客观的方式来评估个体的价值和成就。
倡导健康的生活方式和心理调适。社会应该提供多元化的文化娱乐活动，帮助人们放松心情，培养良好的心态，同时提高自我保护和应对压力的能力，避免因过多关注他人的评价而陷入焦虑和抑郁。
充分发挥媒体监督的作用。媒体应该承担起社会责任，加强对网络信息的真实性和可信度的审核，及时揭露虚假信息和不实言论，为大众营造一个清朗、健康的舆论环境。
“人人看我”现象揭示了现代社会中个体价值的多元性以及相互影响的重要特性。只有充分认识并有效引导这种现象，才能在实现个人发展的维护社会稳定和创新活力，让每个人都能够在公平、公正、尊重的基础上，发挥出自身应有的潜能和作用，创造更美好的未来。
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