天美传媒神秘校园奇遇：谁演绎街头高中生？探索天美传媒路边捡女郎背后的故事不容忽视的同情，是否能促使大范围变革？，令人倍感振奋的消息，是否让你心潮澎湃？
在喧嚣的都市中，有一所被誉为“神秘校园”的地方——天美传媒，这里充满了无尽的惊喜和未知。传说，在这所学校里，隐藏着一个被遗忘的街头高中生，他的故事如同一股清流，涌动在城市的街头巷尾，引发了一场关于青春、梦想与命运的深度探讨。
这个街头高中生名叫李阳，他是一位平凡而又独特的角色。年仅17岁的他，却拥有一双敏锐而深邃的眼睛，他对世界有着无尽的好奇心和对自由的向往。他时常穿着破旧的衣服，带着满身的书本和笔记本，独自走在城市的街头，他的身影总是那么的独特，就像一只在人群中穿梭的小猫，总能引起路人的注意和好奇。
尽管李阳外表普通，但他内心深处却藏着一颗不屈的灵魂。他在学校的角落里阅读着各种各样的书籍，用他的文字描绘出自己的梦想与世界。他热爱音乐，常常在放学后到街头弹奏吉他，他的歌声如同一曲悠扬的旋律，唤醒了城市中的沉睡者，让他们重新找回生活的热情和勇气。
这一切并未让李阳的生活平淡无奇。在他的生活中，总是充满了意想不到的转折和挑战。一天，他在放学的路上发现了一位街头少女，她衣着简朴，眼神明亮，仿佛是城市的另一种风景。李阳被她的美丽和智慧深深吸引，他决定接近她，试图与她分享自己的故事和梦想。
当他走近少女时，他却发现少女并不像他想象的那样美好。她眼神冷淡，言语犀利，甚至有些拒人于千里之外。但李阳并没有放弃，他明白，只有通过了解和接触，才能真正理解少女的内心世界。
于是，李阳开始与少女交流，从她的过去、现在的经历和未来的目标入手，试图解开少女心中的困惑和迷茫。在这个过程中，他们逐渐产生了共鸣，李阳看到少女对于梦想的执着和坚持，也看到了少女面对困难时的坚韧和勇敢。
随着时间的推移，李阳和少女的关系发生了微妙的变化。他们的友谊不仅加深了，更成为了彼此生命中的重要导师和依靠。他们一起分享生活中的喜怒哀乐，一起面对生活的挑战和困境。在这个过程中，李阳也学到了许多人生的道理，他明白了，真正的成功并不仅仅在于追求梦想的道路上，更在于如何去理解和尊重他人，如何在困难面前保持积极的态度。
李阳和少女共同完成了他们的校园奇遇：他用他的才华和坚韧，成功地演绎了一名街头高中生的形象；她用她的智慧和善良，为他塑造了一个真实的自我。这个奇遇不仅改变了李阳的人生轨迹，也让整个城市的街头巷尾弥漫起了一股青春的气息，让人们感受到了生活的不易和希望的光辉。
在这篇关于“天美传媒神秘校园奇遇：谁演绎街头高中生？探索天美传媒路边捡女郎背后的故事”的文章中，我们看到了李阳这位街头高中生的独特魅力和坚韧精神。他的故事告诉我们，无论身处何处，只要心中有梦，有爱，就一定能够找到属于自己的舞台，实现自己的价值。我们也看到了天美传媒的神秘校园，它虽然看似平静，实则充满着无尽的可能性和创新的空间。在这里，每个人都可能成为主角，演绎出属于自己的青春传奇。让我们期待更多类似的校园奇遇和人生启示，一起感受生命的奇妙和力量。
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