巧克力棒与扑克的奇妙互动：甜蜜中的竞技较量触动人心的议题，未来是否能为我们解开疑惑？，深入透视的分析，难道不值得你重视？
高糖甜味、丝滑口感，以及色彩斑斓的外包装，这些都是巧克力棒所具备的独特魅力。在这美妙的外观背后，一场名为“巧克力棒与扑克”的竞技较量正在悄然展开。这是一种结合了美食和娱乐的游戏，看似简单却充满创意和挑战。
在一种叫做“巧克力棒挑战”的游戏中，玩家需要将一颗颗巧克力棒按照特定的规则进行排列组合，形成一副扑克牌的形式。游戏的目标是尽可能地排列出更多的牌面，并保持其形状完整无缺，同时也不能出现任何空位或重复的数字。每完成一轮，参与者就可获得一定的积分，积分越高，排名越靠前。这项活动旨在挑战人们的智慧和创造力，同时也展现出巧克力棒作为美食和扑克牌之间跨界融合的魅力。
比赛一开始，参赛者们便纷纷摩拳擦掌，跃跃欲试。他们小心翼翼地挑选着巧克力棒，每一根都经过精心挑选，确保其质地细腻，色泽诱人。然后，他们在一张纸上画出一副基本的扑克牌，每个元素都被巧妙地运用到巧克力棒上，形成了各种各样的图案。有的巧克力棒像是一副完整的五子棋，有的像是一只飞翔的鸽子，还有的像是一座巍峨的山峰。这些独特的设计，不仅展现了参赛者的创新思维，也让人眼前一亮。
经过几轮紧张刺激的比赛后，最后的赢家脱颖而出。他/她不仅完成了最多的牌面排列，而且没有出现任何空位或重复的数字，成功地将巧克力棒与扑克牌完美结合，为观众呈现了一幅极具视觉冲击力的扑克牌艺术品。这种创新的设计手法，既展现了巧克力棒本身的甜度和口感，又通过巧妙的排列组合，呈现出了一种独特的艺术效果，令人赞叹不已。
“巧克力棒与扑克挑战”活动还蕴含了丰富的教育意义。它鼓励人们发挥想象力，用独特的视角去看待生活中的事物，激发他们的创新能力。这也是一种对传统扑克牌游戏的尊重和理解，让人们对扑克牌的历史和玩法有了更深的了解，增强了对扑克文化的热爱和追求。
“巧克力棒与扑克的奇妙互动：甜蜜中的竞技较量”，这个小小的活动中，既充满了欢乐和挑战，也展现了巧克力棒的独特魅力和多元文化内涵。无论是从游戏本身的角度，还是从教育和文化的角度，都能让人们充分感受到巧克力棒与扑克的奇妙互动所带来的乐趣和启示。在未来，我们期待有更多这样的创新活动，让我们的生活中多一些创意和惊喜，让我们的世界更加丰富多彩。
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