跨越时代的马在XX69驰骋：历史与现代的交织与探索凸显现实的集体行动，难道不值得我们赞赏？，有待发掘的深层含义，难道不值得探索？
以21世纪为新的起点，人类社会正步入一个前所未有的跨时代变革之中。在这个新时代的浪潮中，“马在XX69驰骋”的主题，既是对历史背景的深刻解读，也是对现代科技、文化和社会发展的生动展现。
XX69年，正是中国共产党诞生的重要时刻，标志着社会主义制度从理论到实践的飞跃，开启了中华民族伟大复兴的新篇章。这个历史瞬间象征着中国的进步和发展，如同一匹永不停歇的奔腾骏马，在浩渺的历史长河中激荡出震撼人心的力量。历史的车轮滚滚向前，推动着中国走向繁荣昌盛，书写了一部波澜壮阔的强国史。
当历史的巨轮驶至现代，我们仍能发现马在XX69驰骋的身影。随着科技的发展和全球化进程的加速，马在中国现代化建设中的作用日益突出，成为推动中国发展的重要力量。
马在科技创新领域的贡献不可忽视。科技的发展犹如马蹄疾如飞，引领着中国不断向更高层次迈进。从“嫦娥”揽月、“蛟龙”深海、“北斗”导航、“天问一号”火星探测器等重大科技项目的成功实施，无不彰显了我国科技创新能力的不断提升。这些成果不仅体现了中国科学家敢于挑战，敢于创新的精神风貌，更是展现了马在中国科研领域中发挥的重要作用。
马在教育领域的发展同样重要。马作为知识的传播载体，其精神和品质在中国的教育体系中扮演着至关重要的角色。以孔子为代表的儒家思想，以其仁爱和学思并重的理念，影响了中国几千年的教育观念和人才培养模式；以胡适为代表的新文化运动，倡导科学精神和民主精神，对我国的思想解放起到了重要的推动作用。可以说，马在知识的普及和传承中发挥了重要作用，成为了推动中国教育改革和发展的重要动力。
马在经济建设中的贡献也不容忽视。马作为生产资料的重要代表，其在推动经济发展和提高人民生活水平方面做出了巨大贡献。在中国改革开放的进程中，马匹成为推动农村改革和城市化进程的重要驱动力。例如，通过大力发展畜牧业和农业生产，马匹成为中国农村经济的主要支撑，使得农民得以在土地上辛勤耕耘，创造美好生活；随着市场经济的发展，马匹也被广泛应用于工业生产，极大地促进了中国经济的发展。
“马在XX69驰骋”，这一主题不仅勾勒出了中国近现代以来的辉煌历程，也揭示了马在中国社会发展中的独特地位和作用。马在中国的历史与现代交织，既是历史的回响，也是时代的注脚。它告诉我们，只有坚持科技创新，弘扬科学精神，尊重知识，才能在全球化的背景下，实现中华民族的伟大复兴和可持续发展。在未来的道路上，马将继续在中国现代化进程中展现出其无尽的力量和魅力，推动中国向着更美好的未来前进。
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