八重神子哭泣时神秘液体涌现：失控情感的源起与后续影响揭示触动人心的个案，是否让你开始反思？，反映自身困境的新闻，是否能感动共鸣？
从古代日本神话中，我们不难发现一个关于八重神子内心痛苦和情绪失控的传说。故事的背景设定在充满神秘色彩和奇幻元素的战国时代，主人公八重神子是日本最具传奇色彩的武将之一，因其勇猛无敌、忠诚而被封为八重天皇之子。这个神子在一次激烈的战斗中，遭遇了前所未有的背叛，导致他的内心世界产生了巨大的裂痕和情感失控。
在那个时代的战场上，八重神子与敌军交战，英勇无比，凭借其卓越的战术和精湛的枪法，带领着大军攻破敌阵。在一场关键的战斗中，他被敌人暗算，失去了心爱的妹妹美琴，她的灵魂被困在一个名为“泪之泉”的地方。八重神子悲痛欲绝，试图寻找妹妹的下落，但却陷入了无尽的孤独和绝望之中。
面对这样的困境，八重神子感到自己犹如一只被束缚的蝴蝶，无法解脱自己的悲伤和痛苦。他的内心深处充满了愤怒和哀伤，他尝试用各种方式来释放这种情感，但似乎都无法缓解他的悲伤。于是，他决定前往泪之泉寻找妹妹，并在那里找到一种神秘的液体，据说这种液体能够驱散人类内心的黑暗和恐惧，帮助人们恢复心灵的力量。
当八重神子带着这种液体回到战场，却发现情况已经大大改变了。他的士兵们不再像以往那样英勇作战，他们开始对八重神子产生怀疑和畏惧，甚至有人叛变，加入了敌方的阵营。这些变化让八重神子深感震惊和困惑，他不明白为什么会有这样的转变发生。他开始反思自己的行为，认为自己的行为可能给他带来了一些不可挽回的后果。
在这个过程中，八重神子的内心情感更加痛苦和失控，他对自己的行为感到深深的内疚和自责，同时也意识到自己的背叛对他人造成了伤害。他开始尝试修复自己的形象和声誉，希望通过自己的努力，赢得人们的尊重和信任。这需要极大的勇气和决心，因为他的情感早已超出了常人的范畴，无法通过理智或理性的方式来应对和解决。
八重神子成功地找回了妹妹的魂魄，并在泪水泉中找到了那神秘的液体。当他接过瓶子的时候，一股强大的力量瞬间涌入了他的身体，使他的精神得到了前所未有的恢复和力量。他明白了，只有通过彻底地清理自己的内心，才能真正地驱散那种无法解脱的悲伤和痛苦，恢复心灵的力量。
从此以后，八重神子将这种神秘液体称为“泪之泉之泪”，并将它视为指引他前行的重要力量。他明白，无论面临何种困难和挑战，只要心中有爱，就一定能够战胜一切困难，找回失去的自我。这段经历，不仅深深烙印在他的内心世界，也成为了他在后世人们口中的传说和传奇。
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