开雏菊剧痛哭叫：一株顽强的生命力与痛苦挣扎的生存史探索未来可能的道路，哪些选择是可行的？，变化不断的话题，未来必然引发广泛反响。
《开雏菊剧痛哭叫：一株顽强的生命力与痛苦挣扎的生存史》
开雏菊，一种极富生命力且充满故事的植物，以其独特的形态和坚韧不拔的精神，被誉为“生命的奇迹”。在自然界中，开雏菊通常生长于贫瘠、恶劣的土地环境中，却依然能够顽强地生存下来，绽放出令人惊叹的美丽花朵。
开雏菊的悲惨命运始于幼年时期。作为一棵种子，它们被微风轻拂，落在土地上，接受阳光雨露的滋养，等待着破土而出的机会。残酷的竞争环境使许多种子无法获得足够的水分和营养，使得开雏菊的生命力受到严重挑战。
开雏菊的痛苦挣扎体现在其生长过程中。在早期阶段，它可能会经历干旱、寒冷等极端天气，甚至遭受虫害侵袭。这些困难都对开雏菊的生长造成了极大的阻碍，使得它的根部和叶片逐渐枯黄萎缩，直至最后完全干涸死亡。
尽管如此，开雏菊依然选择以坚强的意志和无尽的勇气对抗生活中的种种困境。每当面对严寒或干旱，它都会通过拼命吸水来保持生命活力，即使身体变得虚弱不堪，也无法放弃对生存的渴望。这种顽强的生命力，正是开雏菊生存史中最令人动容的部分。
开雏菊的痛苦挣扎也反映出其坚韧不拔的精神风貌。在逆境面前，开雏菊从不轻易放弃，反而更加坚定了对生活的热爱和追求。每一片花瓣都凝聚了它的血汗和泪水，每一朵花蕾都闪烁着它的决心和毅力，每一滴雨水都渗透了它的坚韧和忍耐。
开雏菊的悲剧命运虽然悲壮，但却展现出了生命韧性的惊人力量。它那顽强的生命力和坚韧不拔的精神，成为了我们心中最深沉的启示，激励我们在人生的道路上永不言败，勇往直前。
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