2023年度热播剧集《我好妈妈》主题剧情深度剖析及人物塑造解析，自宣留队！B费：阿莫林+曼联需要我 不想让我转会沙特看似无害的提问，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总结：凭借创意与设定秀出的神话仙侠小说，整体质量在水准线之上，介于小白与老白的双重审美之间，属于瑕不掩瑜的作品。剧情流畅有看点，阅读轻松不烧脑，值得一看。
《我好妈妈》是一部以亲情、母爱为主题的2023年热播剧集。剧情围绕着一个普通的母亲和孩子的生活展开，通过生动的角色塑造和深刻的主题探讨，揭示了母爱的伟大与不易，以及在现代生活中如何坚守家庭价值观并寻找自我价值。
剧中的主角，李若曦（王丽坤饰），是一位年轻而坚韧的职场女性，她身为人妻，却始终坚守对孩子的尊重与关爱。李若曦的母亲是一个勤劳、善良且充满智慧的人，她不仅关心孩子的生活，更注重培养女儿的独立思考能力和社会责任感。这种深沉的母爱，使得李若曦始终保持乐观积极的态度面对生活，不断追求自己的梦想。
角色间的互动则展示了母爱的力量与深度。父亲刘强东（冯远征饰）作为李若曦的坚强后盾，虽然性格内向但内心温柔，他对家庭有着深深的承诺和责任。李若曦的父亲通过言行举止教育女儿，引导她理解人世间的责任和担当，并让她明白只有爱自己才能真正爱护他人。剧中也呈现了一些家庭教育问题，如过度溺爱导致孩子缺乏独立性，父母之间的冲突等，这些问题都为观众提供了深入思考家庭教育的重要性和矛盾性的机会。
《我好妈妈》以其细腻的人物描绘和深情的主题探讨，成功诠释了母爱的本质和深远影响。该剧以一种平实而又富有哲理的方式，让观众在享受戏剧快感的也反思人生的价值观和家庭教育的重要性。这部电视剧的成功，无疑是对现实生活中母爱真谛的一种诗意表达和人性洞察，具有极高的观赏性和影响力。
北京时间6月4日，在欧国联半决赛德国VS葡萄牙的赛前发布会上，葡萄牙球员B费出席并澄清了自己的转会绯闻。
B费谈到：“我们（曼联）的赛季非常艰难，球队未能实现既定目标，这很令人失望。我现在在享受国家队的时光，在这里总是非常令人开心，希望我们能够晋级决赛。”
当被问及转会至利雅得新月的绯闻时，B费明确表示：“的确有过这样的机会。俱乐部主席给我打电话，问我是否想要去那里，他们当时在等待我的答复。”
“我和阿莫林谈过了，他并不希望我去，曼联也并不想要卖掉我，他们不需要这笔钱。但如果我硬要离开的话，他们也会选择成全我。”
“利雅得新月非常的有诚意。他们先是和我的经纪人沟通，然后和我的妻子也聊了一下。妻子问我打算怎么做，她总是会支持我的决定。去那里本来可以很轻松，因为我和在那里的葡萄牙球员都很熟。但我还是想在最高水平的舞台上面踢球，争夺那些重要的冠军奖项。我认为我有能力做到这一点，也依然渴望实现这个目标。我对足球充满热爱。”
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