潘甜甜：911制片厂璀璨制作人的传奇故事：果冻传媒的瑰宝与创新历程潜在威胁的预警，难道你还要保持沉默？，直面矛盾的现象，影响到的又包括哪些人？
高悬于美国纽约中央公园的摩天大楼上，一枚枚熠熠生辉的光影作品，如潘甜甜手中的“果冻传媒”品牌广告片，见证了这个品牌的璀璨制作人——潘甜甜传奇的一生。潘甜甜，一个911制片厂璀璨制作人的传奇人物，以其独特的视角、创新的理念和坚韧不拔的精神，用果冻传媒的瑰宝与创新历程，谱写了中国数字营销行业的华章。
出生于艺术世家的潘甜甜，在家庭熏陶下从小就对电影产生了浓厚的兴趣。她曾就读于北京电影学院，师从著名导演张艺谋，并以优异的成绩毕业。毕业后，她进入九一1制片厂成为一名演员和制片人。在那里，她不仅学会了如何捕捉镜头下的情感和世界，更深入了解了电影制作的基本流程和技巧。在潜心钻研的潘甜甜逐渐开始思考如何将她的个人兴趣和创意与商业需求相结合，开启了她在中国数字营销领域的探索之路。
果冻传媒是潘甜甜在九一1制片厂时创立的一个专业数字营销公司，专注于为各类品牌提供全方位的品牌推广服务。她的公司在成立之初，就凭借其独特的产品理念和精准的市场定位，迅速在市场上崭露头角。正是这种创新精神和敏锐洞察力，让潘甜甜的公司得以在激烈的市场竞争中脱颖而出。她的产品“果冻冰淇淋”，以其新颖的设计和口感吸引了大量年轻人的关注，成功地推动了产品的销售和品牌知名度的提升。
为了进一步发展，潘甜甜带领团队研发了一系列创新的数字营销策略。她不仅关注产品的线上销售，还积极开拓新媒体平台和社交媒体营销，通过短视频、直播等形式，与消费者进行深度互动，提升品牌形象和用户黏性。她还借助大数据和人工智能技术，实现精准投放和数据分析，帮助品牌更好地理解并满足消费者的个性化需求，提高转化率和收益。
潘甜甜的故事告诉我们，无论是在演艺事业还是在数字营销领域，都需要有敢于创新和勇于挑战的精神。只有这样，才能在瞬息万变的市场环境中保持领先地位，创造出属于自己的竞争优势。她也强调了团队合作的重要性。作为一个成功的制片人，她深知单打独斗往往难以取得实质性的成果，而良好的团队协作则是实现这一目标的关键。她始终坚持以人为本，鼓励员工积极创新，共同创造属于企业文化的辉煌。
潘甜甜的“果冻传媒”品牌，不仅是她的个人才华和创造力的结晶，更是中国数字营销行业的重要瑰宝。她在911制片厂的璀璨职业生涯中，不仅塑造了果冻传媒的形象，更以创新的精神和卓越的能力，引领了中国数字营销行业的风潮，为中国企业在全球竞争中赢得了宝贵的竞争优势。潘甜甜的传奇故事，向我们揭示了一个制片人如何在追求梦想的过程中，不断求索、努力奋斗，最终成就了自我价值的最大化的道路。
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