天天碰人人：线上线下互动，打破社交障碍，共创美好生活体验前沿领域的变动，难道不值得我们关注？，令人惊悚的案例，背后隐藏着多少真相？
对于现代社会来说，线上线下的互动已逐渐成为人们日常生活中不可或缺的一部分。它不仅打破了传统社交模式的壁垒，还为人们带来了全新的生活体验。在数字化时代，我们可以通过线上和线下的方式进行互动，创造出一种全新的生活方式，打造一个充满活力、和谐共融的社会。
在线上互动中，社交媒体成为了最直观且有效的交流方式。无论是朋友圈、微博、抖音还是微信，用户都可以随时随地与他人分享自己的生活点滴，表达情感、传递信息、获取知识等。通过分享照片、视频、文字等多种形式，人们可以更深入地了解对方的生活状态、兴趣爱好、价值观等等，增强了彼此之间的理解和共鸣，拉近了人与人之间的距离。线上互动也为企业提供了新的营销渠道，企业可以根据用户的喜好和行为习惯推送定制化的商品和服务，实现精准营销，提高销售效率和客户满意度。
线上线下结合，可以让人们在享受科技带来的便利的也能享受到面对面交流的乐趣。例如，许多实体商店在营业期间会举办各种促销活动，吸引顾客来店购物；一些线上平台也会组织线下体验活动，如试用新品、参加讲座等，让顾客在享受购物乐趣的也能深入了解产品或服务的功能和优势。这种线上线下融合的方式，既满足了消费者的多元化需求，又激发了商家和消费者之间的互动热情。
随着5G、人工智能、大数据等新技术的快速发展，线上线下的互动方式也在不断变革和完善。通过虚拟现实、增强现实、物联网等技术手段，人们可以在线上进行沉浸式体验，如参观博物馆、游览景区、在线学习课程等，这无疑将大大拓宽人们的视野，提升他们的生活质量和娱乐水平。利用大数据分析，企业和消费者可以实时掌握市场动态，及时调整策略，优化产品和服务，提高运营效率和效果。
“天天碰人人：线上线下互动，打破社交障碍，共创美好生活体验”的理念，强调的是利用现代信息技术手段，构建一个高效、多元、互动性强的社交网络，使人们能够在其中自由穿梭，实现信息共享、资源互补、价值增值，从而创造更加丰富、多彩、美好的生活体验。无论是在家庭、朋友还是工作场合，我们都应该积极融入这个互动网络，以开放的心态接受新事物，分享心得，相互启发，共同塑造一个更健康、更有活力的人际关系和社会环境。让我们一起，开启线上线下的互动之旅，一起创造出一个更加和谐、包容、创新、幸福的社会！
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