探索扇贝夹龟奇妙生命旅程：高清线上视频观赏与科普揭秘影响深远的变化，社会的反应又应何等贴切？，亟待解决的社会问题，难道我们还要沉默？
在海洋的深邃处，有一种奇特的生命旅程正在发生——扇贝夹龟。这是一群生活在浅海沙丘中的独特生物，它们以独特的生存方式和神奇的进化历程吸引着人们的目光。
扇贝夹龟的壳形结构特殊，呈扇状，可以保护自己免受水流冲刷和捕食者的攻击。这种壳形的设计使其在海水环境中能够在水下自由移动，并且在受到威胁时能够迅速地将身体缩进壳内，以保持体温和防御性。扇贝夹龟的身体两侧还有两个小孔，分别用于呼吸和排泄，这些结构使它们既能适应浅海环境的氧气含量，又能高效地排除体内的废物和二氧化碳。
扇贝夹龟的生活习性和进化历程十分神秘。在远古时期，这种动物可能是一种小型海洋哺乳动物，生活在温暖而湿润的热带海域中。随着时间的推移，由于气候变化和海洋生态环境的变化，扇贝夹龟逐渐转移到了寒冷、多风的冷水环境中。在此期间，它们开始演化出特殊的形态和行为，以便更好地适应新的生活环境。
比如，在食物方面，扇贝夹龟的颚部特化的吸盘状口器，使得它们可以直接吸附在岩石或沙丘表面，获取海底丰富的浮游生物和植物资源。它们还能利用复杂的猎物捕捉技巧，如利用触角来感知猎物的位置和行动，再通过快速的收缩壳身来锁定目标。为了应对寒冷的气候，扇贝夹龟还会分泌一种名为“脂肪酸”的物质，使其壳壁变得坚硬耐磨，有助于抵御低温带来的物理损伤。
在繁殖上，扇贝夹龟也有其独特的方式。当雌性扇贝夹龟找到合适的伴侣后，会将自己的卵产在对方的壳内，然后把壳体分开并排出受精卵，形成一个新的扇贝夹龟个体。这个过程通常需要几周甚至几个月的时间，但一旦孵化成功，这些新出生的小扇贝夹龟就能独立生活，继续他们的生存之旅。
扇贝夹龟的生命旅程并非一帆风顺。随着全球气候变化和海洋生态系统的破坏，他们面临着生存压力。一些研究发现，近年来，扇贝夹龟的数量急剧减少，甚至面临灭绝的风险。为保护这些珍贵的物种，科学家们正积极开展对扇贝夹龟的研究，试图揭示其生命旅程的秘密，以及如何有效应对气候变化和环境变化的影响，从而保护这一地球上最原始的海洋生物之一。
扇贝夹龟的奇妙生命旅程充满了挑战和机遇。它们的生活方式、进化历程及其繁衍生息的过程，为我们提供了对生命多样性的深刻理解和敬畏。让我们共同珍视这样的生物，通过高清线上视频观赏与科普揭秘，去探寻这个生命旅程的奥秘，理解生命的奇迹，为地球的生物多样性保护贡献我们的力量。
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