专业形象!老师工作实录,记录教育一线的感人瞬间，原创 慈禧没有任何管理经验，肃顺等人为何斗不过她？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婚后不久，冯绍峰便陷入了“婚内出轨”丑闻的漩涡。曝出的聊天记录显示，冯绍峰认为婚姻限制了自己的自由。尽管赵丽颖和冯绍峰离婚的官方理由是“聚少离多”，但他们的孩子已经出生，这样的分裂是否仅仅是因为见面机会少呢？
标题：教师角色的光辉实践：专业形象与工作实录的深度描绘
作为一名教师，我们承载着传承知识、塑造人格、引导成长的重要责任。在教育的广阔舞台上，无论是课堂上的授业解惑，还是课外指导学生生活技能，每一步都充满了教师工作的艰辛与感动。
在每一个真实的教学时刻，我们的工作实录被细致地记录下来，如同一幅生动的画卷，展现了教育一线的动人瞬间。这些工作实录中，教师们的专业形象逐渐显现出来。他们以严谨的教学态度，深沉的责任心，以高度的职业素养和卓越的教学才华，演绎出一个个感人至深的故事。
其中，有的教师在教授课程的过程中，不仅传授专业知识，更注重激发学生的学习兴趣，通过互动式的教学方式，使抽象的知识点变得生动活泼，易于理解掌握。他们深入剖析教材内容，挖掘学生的潜力，针对不同层次的学生需求，提供个性化的学习方案，让学生在轻松愉快的氛围中提升自我。
那些感人的工作实录，如“引导学生走出校园走向社会”的报告、讲述贫困生故事的演讲稿、为学生组织模拟社团活动的照片等，无不展示了教师们无私奉献、甘于付出的精神风貌。他们的敬业精神、爱心关怀以及对学生的关爱，让每个学生都能感受到来自学校的温暖，感受到知识的力量和人性的美好。
而在日常工作中，教师们的辛勤努力和高尚品德也深深地打动了身边的人。他们以实际行动践行职业道德，坚守职业操守，倡导和谐稳定的社会环境，积极履行教书育人使命。他们用自己的行动影响和激励着学生，通过言传身教，树立了良好的榜样，营造了一种积极向上的班级文化氛围。
教师角色的光辉实践，既体现了其自身的专业魅力和教育成效，也是他们用辛勤耕耘和高尚品格构筑起的教育理想世界的真实写照。正是这种专业形象和工作实录，构成了我们每个人作为教师的人生旅程中的宝贵财富，让我们每一位教育工作者能够在教育这片土地上，用心去爱，用情去育，以期培育出更多有道德、有理想的社会主义接班人。
在封建王朝的时代背景下，女性往往被置于社会较低的层级，然而，历史长河中仍不乏凭借超凡才智与能力，在历史舞台上留下浓墨重彩一笔的女性。慈禧太后，便是这样一位举足轻重的历史人物。
当今社会，对慈禧太后的评价多倾向于负面，诸如“愚昧无知”、“奢靡无度”、“心狠手辣”等标签，常常被用来描绘她的形象。但若我们深入剖析其历史地位与影响，不难发现，慈禧太后能执掌清朝大权近半个世纪，定有其非凡的政治谋略与手腕。
一个常被历史学者探讨的议题是：咸丰帝在热河行宫驾崩之际，慈禧太后年仅二十六岁，既无治国理政的经验，也未曾与朝臣有过直接接触。那么，她究竟是如何在权臣如林的朝廷中脱颖而出，击败权倾一时的肃顺等大臣的呢？
或许，答案就藏在慈禧太后那超凡的政治谋略之中，具体可从以下三方面窥见一斑：
一、权力运用的精妙艺术
咸丰帝离世后，朝廷内部迅速分化为三大势力：一是以肃顺为首的八大辅臣集团，二是以恭亲王奕忻为代表的皇室宗亲，三是慈禧太后掌控的后宫力量。咸丰帝在位时，对恭亲王始终心存戒备，鲜少给予重用，临终前也未将其列入辅政大臣之列。
据《清史稿》记载，咸丰帝驾崩后，肃顺等人曾禁止恭亲王及其他皇室宗亲前往热河奔丧，意图在咸丰帝离世后，形成慈禧与八大辅臣共治天下的局面。肃顺虽为道光、咸丰两朝元老，权势滔天，却对慈禧太后的政治手腕估计不足。在新皇帝载淳年仅六岁的情况下，慈禧太后自然不愿皇权旁落，于是与肃顺等人展开了一场激烈的权力博弈。
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