日本护士：专业护理人才——XXX事迹与贡献，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转发！高考牢记4个不得萱萱扮演的雅文，她跟陈豪再度组成中年CP，真心没有火花！美人迟暮的她因为被冤枉入狱八年，对奸商败类龚友成怀恨在心，就组织狱友复仇。
标题：日本护士：专业护理人才的杰出事迹与贡献
在日本，护士被誉为医疗体系的重要支柱之一，他们的专业技能和职业精神在护理领域中取得了举世公认的成绩。其中，有一位日本护士，她的名字叫做伊藤千代子，以其卓越的专业素质、坚定的职业信念和无私奉献的精神，成为日本护理领域的代表人物。
伊藤千代子自1973年起就加入日本医疗机构工作，从事内科临床护理工作。她深知护理工作的复杂性和艰辛，但在面对患者的生命安全和健康需求时，始终坚守初心，尽职尽责，以严谨的态度和专业的知识进行护理。伊藤千代子深知，作为一名护士，不仅要掌握基本的医学知识和技术，还需要具备高度的责任心和同情心，能够理解和尊重患者的个体差异，为他们提供个性化的治疗方案。
在工作中，伊藤千代子以其精湛的护理技术赢得了患者的高度赞誉。她运用了先进的护理技术和设备，如静脉穿刺、肌内注射等，为患者提供了高效便捷的服务。她还注重人文关怀，关注患者的心理状态和生活状况，通过亲切的语言和温暖的笑容，帮助他们缓解情绪，提高生活质量。伊藤千代子用实际行动证明了，只有用心去服务，才能真正赢得患者的信任和支持。
伊藤千代子还积极推动护理事业的发展，倡导人性化护理理念，推动护理服务质量的提升。她曾参与制定并执行了一系列护理政策和标准，使日本的护理水平得到显著提高。她的努力和贡献不仅在国内得到了广泛认可，也在国际上引起了强烈反响，被公认为全球护士行业的典范。
伊藤千代子是一位日本护士的杰出代表，她以其专业素养、职业道德和无私奉献的精神，展现了护理人才的独特魅力。她的事迹和贡献不仅激励着其他护士们投身于护理事业，也对我国乃至全球的护理工作产生了深远影响。在未来，我们期待有更多的日本护士能够在各自的岗位上，以高尚的职业道德和卓越的技术能力，为维护人民生命健康和社会和谐稳定做出更大的贡献。
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
距高考只有3天，教育部新闻办发文提醒广大考生，严格遵守考规考纪，诚信应考。 不得抄袭，或者协助他人抄袭试题答案； 不得冒名代替他人参加考试； 不得将试卷、答题卡或草稿纸带出考场； 不得携带与考试内容相关的材料或电子设备。 祝考生们所向披靡，圆梦今夏！