《JK跨步挑战扑克：揭秘如何成功掌控运筹帷幄》，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中石化油服(01033.HK)完成回购2236.62万股A股正是如此，企业愈加重视纳税信用评分，而此次评价指标也结合社会痛点问题给予优化，给企业预留容错空间。
世界著名的扑克游戏《JK跨步挑战扑克》，以其独特的策略和丰富的挑战性吸引了全球无数玩家的目光。在这款游戏中，运筹帷幄成为了决定胜负的关键因素，而掌握这种运筹帷幄的技巧对于玩家们来说，无疑是一项巨大的挑战。以下，我们将深入探讨如何成功地运用《JK跨步挑战扑克》中的运筹帷幄策略。
理解规则是运筹帷幄的基础。《JK跨步挑战扑克》的游戏目标是通过将手中的牌按照从大到小、从高到低的顺序进行交叉步走的方式，尽可能多地移动牌堆中的所有牌。每一手牌都是一个独立的决策机会，需要根据其所在的位置，制定出相应的行动策略。例如，在起始阶段，如果手中有5张A或5张J，那么可以考虑先出一张J，因为J可以跨越所有的K和Q，从而增加下一手的可能，进而扩大手中的牌组。
利用好逆序与顺序的交错。在游戏中，逆序与顺序交替使用是运筹帷幄的重要手段。一方面，逆序可以帮助我们避开对手的大牌，减少被压制的可能性；另一方面，顺序则可以在一定程度上调整我们的牌型布局，使我们的牌组更加平衡，避免过大或者过小的风险。例如，在面对手牌中较大的牌时，可以采用逆序的方式，将更大牌的牌放在起始位置，以保护后手的牌不受压制。而在手牌较为劣势的情况下，可以尝试顺序的方式，将小牌放在起始位置，以便于接下来的组合和对战。
灵活运用牌组的多样性和扩展性也是提高运筹帷幄能力的重要途径。在游戏中，牌组并非固定不变，而是可以通过不断更换和扩张来适应各种不同的情况。例如，当我们手中只有两张牌的时候，我们可以选择出一张比较大的J作为起点，然后通过交叉步走的方式，逐步扩大牌组范围，直到能够覆盖所有的牌面。又比如，如果我们手中有一副完整的扑克牌，但是牌面数量较少，我们可以考虑将一些较为不常用的牌（如J, Q, K, A）放入牌组中，使得整副牌组具有更高的灵活性和可扩展性。
仅仅掌握运筹帷幄的技巧是远远不够的。真正的高手往往还需要具备良好的心理素质和战术规划能力。在面对对手的强大攻势时，他们不仅需要灵活应对，还要能够在心中模拟出对方的动作和习惯，以此为基础制定出切实可行的进攻策略。他们也需要懂得在比赛中适时调整自己的策略，根据对手的牌力和牌型的变化做出及时的应对，甚至在某些情况下，还需要学会规避对手的攻击，保持自己牌组的优势。
总结而言，《JK跨步挑战扑克》是一款集策略、智力和运气于一体的扑克游戏，只有掌握了运筹帷幄的技巧，才能在这场无尽的竞技中占据主动权。无论是从理论知识的学习，还是从实战经验的积累，都需要我们不断地探索和实践，才能真正成为一名优秀的《JK跨步挑战扑克》玩家，引领属于自己的牌海之旅！
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
中石化油服(01033.HK)公布，2025 年 1 月 8 日，公司通过集中竞价交易方式首次实施 A 股股份回购，截至 2025 年 6 月 4 日，公司完成回购，已实际回购公司 A 股股份2236.62万股，占公司目前总股本的比例为 0.12%，回购成交最高价为 1.99 元/股，最低价为 1.73 元/股，均价为 1.876 元/股，支付的资金总额为人民币 4196.52 万元(不含交易佣金等交易费用)。
截至2025年6月4日收盘，中石化油服(01033.HK)报收于0.64港元，上涨1.59%，成交量353.9万股，成交额223.74万港元。投行对该股关注度不高，90天内无投行对其给出评级。
中石化油服港股市值34.08亿港元，在采掘服务行业中排名第2。主要指标见下表：