全新升级的成年版《one》：致敬韩寒二维码魅力，解析其背后独特价值与价值主张影响势力的动态，正反趋势如何平衡？，关注如影随形的问题，未来使人深思的现象是？
关于全新升级的成年版《one》，它以韩寒作为主笔，以其独特的二维码魅力和其背后的深厚内涵，重新定义了电子书阅读体验。作为韩寒最知名的代表作之一，这一版本无疑是对韩寒作品的一次深度解读和创新，同时也承载着一个时代文化精神的独特表达。
《one》通过二维码的魅力，为读者提供了一种全新的互动模式。传统的电子书阅读模式需要用户下载安装应用程序，而《one》则采用了一种“扫码即读”的方式，只需将二维码扫描到App中，就能直接进入阅读页面，无需复杂的操作流程或繁琐的下载过程。这种便捷性和即时性无疑大大提高了用户的阅读体验，使得读者可以在任何时间、任何地点，都能随时随地进行阅读，极大地满足了现代人快节奏的生活需求。
透过二维码，我们不仅可以了解《one》的全貌，还可以更深入地理解韩寒本人及其作品的独特风格和思想内涵。二维码作为一种新兴的信息载体，具有强大的信息记录和传播功能，因此在《one》中，通过二维码，读者可以了解到作者创作时的灵感来源、创作背景以及作品的主题、结构、语言等方面的重要细节，甚至可以通过阅读二维码中的图片、视频等多媒体元素，全方位领略作者的创作风格和创作技巧。这种方式不仅能让读者更直观、更深入地感受到作品的魅力，也使读者能够更加全面、更深刻地理解作者的思想理念和艺术追求。
二维码在《one》中的运用，也是对传统书籍出版模式的一种颠覆式创新。以往，许多图书出版都是通过纸质版的印刷和发行，而《one》则采用的是数字化的方式，不仅保证了内容的准确无误，也极大地方便了读者的购买和阅读。数字化使得《one》能够在互联网上广泛传播，覆盖全球范围内的读者群体，极大地扩大了其影响力和传播范围。数字版权保护机制的建立也为《one》的版权运营提供了保障，避免了因盗版问题而导致的经济损失。
全新升级的成年版《one》以其创新的二维码交互模式，全面深入地展示了韩寒作品的独特魅力和深远内涵，也打破了传统书籍出版模式的边界，开创了新的阅读体验和社会价值观念。这不仅标志着电子书阅读的时代已经到来，也是韩寒个人品牌影响力与文化传播的成功尝试，对于推动中国乃至世界电子书阅读的发展和进步具有重要意义。而这种全新升级的成年版《one》，也将成为经典文学作品的新篇章，引领和影响未来的电子书阅读潮流。
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