深沉而动人的哭声：1分44秒震撼人心的情感体验录音解析，“城”心护考！东莞城管推出护航高考措施二十二条看似无害的提问，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值得一提的是，今年的端午制曲大典还迎来了一群特别的嘉宾：超380名郎酒优秀员工及其亲朋好友以观礼嘉宾的身份受邀来到现场，家属们踏入这片弥漫着酒曲芬芳、凝聚奋斗力量的土地，深度见证郎酒人的热爱。活动现场，郎酒股份公司总经理汪博炜深情地讲述：
将深沉而又生动的声音深深地刻入人们的心田，1分44秒的哭泣情感体验录音记录，是一种深深触动我们心灵的力量。在这段看似平常却蕴含深刻情感的音频中，每一个音符、每一句语调都仿佛在诉说着一个故事，传递着一种难以言表的强烈情感。
这段录音，时间长达1分44秒，却能够给人们留下无比深刻的内心感受。从开始的低沉压抑，到逐渐转为强烈的悲痛与无奈，再到最后的泣不成声，这一过程如同一部无声电影，每一分每一秒都在描绘着人物的情绪变化和内心世界。
这段录音中的低沉压抑让人感受到的是深深的失落感。在录音的第一分钟，我们可以听到主人公在叙述一段过去的经历，他的声音平静而悲伤，仿佛是对过去生活的反思和怀念。这种低沉的基调似乎预示了主人公即将面临的重大打击或挫折，因此整个音频充满了深深的焦虑和不安。
紧第二分钟开始，主人公的情绪逐渐升温，他开始向听众讲述自己的痛苦和困境。他的声音充满了绝望和无助，仿佛世界在他眼前崩塌，一切都没有意义。这种情绪的变化表明主人公正在经历一次重大的转折，他的生活陷入了前所未有的黑暗之中。
在接下来的时间里，随着画面的转换，主人公的情绪又发生了转变。他开始对曾经失去的一切重新思考，对自己所走过的路有了更深的理解和感悟。他的声音不再沉重，反而变得深情而富有力量。这种转变揭示了主人公的情感由失望转向反思，由困惑转向坚定的过程，展现了他对未来的决心和勇气。
在录音的最后一分钟，主人公的声音再次变得凄厉，但这次却带着一丝希望和坚强。他告诉听众，尽管现在的生活充满了困难和挑战，但他仍然相信自己有能力去面对，并且会找到出路。他的声音充满了决心和毅力，仿佛是在告诉世界：“我知道我不一定能成功，但我可以努力尝试，我可以坚持下去。”
这段深情而又动人的情感体验录音，通过1分44秒的时间跨度，深度地展现了主人公的情感变化和内心世界，让人们感受到了那份深沉而动人的哭声背后隐藏的复杂情感。它让我们看到了人性中最柔软的一面，也让我们明白无论生活中遇到多大的困难和挑战，我们都应该有勇气去面对，坚持不懈，相信自己能够战胜一切。这段录音，就像是一首关于生命的赞歌，唤醒我们内心深处的感动和敬畏，也让人们对生活有了更深层次的认识和理解。
4日，东莞市城市管理和综合执法局召开城管领域高考保障工作部署协调会议，进一步明确工作要点，全面做好城管领域高考考点和考生驻地周边城市秩序、环境卫生保障工作，全力护航高考，为考生提供安静、安全、有序的高考环境。市城市管理综合执法局四级调研员黄莹出席会议并讲话。
据了解，今年，东莞市共设置高考考点28个，全市城管系统需按照《东莞城管护航高考措施二十二条》，以“两个便民服务、三个集中整治、四个临时暂停、五个临时调整、六个坚强保障”为重点，考试期间城管部门将开展城市“六乱”治理、加强环境卫生保障、严控噪音扬尘污染、加快市民投诉办理、适度开展宣传等五个方面抓好工作落实。
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