极限生活挑战：夜幕降临，疯狂追求真爱的「天天靠逼」式爱情故事看似简单的真相，背后隐藏着什么复杂的故事？，引人深思的事实，是否会改变你的看法？
《夜幕降临，疯狂追求真爱：「天天靠逼」式爱情故事》
在人生的旅途中，我们常常会遇到各种各样的挑战和机遇。这些挑战可能会让你面临生活的困境和艰难，而机遇则可能引领你走向新的成功和幸福。在这个充满变数的世界中，有一种特殊的爱情形式——“天天靠逼”，以其独特的风格和表现力，成为了一个让人难以忘怀的冒险故事。
在一个宁静的夜晚，当繁华的城市沉浸在沉睡之中，我们的主角，林天，正在与他的女友小雨进行一场激烈的“天天靠逼”。林天，一个整天忙碌于工作、生活琐事中的平凡男子，却对爱情有着无比的热情和执着。他坚信只要每天付出足够的努力，就一定能找到属于自己的真爱。
他们选择在城市的一角租下了一间小公寓，开始了他们的“天天靠逼”生活。白天，林天忙于职场上的竞争和人际关系的维护，晚上则是他与小雨共度浪漫时光的时间。两人从无话不谈到互诉心声，再到共同挑战生活的极限，每一天都充满了挑战和惊喜。
他们的爱情并非一帆风顺，他们曾经遭遇过无数挫折和困难。比如，林天的工作压力让他疲于奔命，小雨却对他充满热情和理解，她总是能够在最困难的时候支持他，给予他力量和希望。但是，无论遇到何种困境，他们都从未放弃对爱情的追求。
他们的爱情故事就像一部永不熄灭的电影，充满了激情和毅力。他们每天都会挑战自我，不断提升自己的能力和素质，以期赢得对方的心。他们在公司内部的竞争中不断磨砺自己，提升专业技能，以便更好地应对工作的挑战；而在日常生活中，他们也会相互支持，分享彼此的喜怒哀乐，共同面对生活的起起落落。
在这个过程中，林天明白了真爱并不只是简单的甜言蜜语和浪漫的场面，而是需要包容和理解，需要一起面对生活的挑战，一起克服困难，一起实现梦想。小雨也逐渐学会了欣赏和接纳林天的坚持和付出，她明白，只有真正了解一个人，才能真正爱上他。
在他们共同的努力和奋斗下，林天终于找到了他的真爱，那就是小雨。他们的爱情虽然充满了挑战和困难，但因为有爱的存在，这些困难都被他们一一克服，成为他们生活中的美好回忆。他们的爱情故事告诉我们，只要有爱，无论生活多么艰辛，都能够勇往直前，实现自己的梦想。
在这个“天天靠逼”的爱情故事中，林天和小雨的坚持、勇敢和真爱让我们看到了爱情的力量和魅力，也让我们深刻认识到，真正的爱情并不只是甜蜜的瞬间和浪漫的场景，更是一种内心深处的互相理解和扶持，是跨越现实、超越极限的动力源泉。无论是普通人还是超凡人才能在这个“天天靠逼”的爱情故事中找到属于自己的幸福和满足感。这就是“天天靠逼”式的爱情故事，一个充满挑战和激情的故事，一个让人深深感动的爱情故事。
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