奶爸巧用奶瓶吸力：一边哺乳一边照顾孩子，轻松掌控生活节奏，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通风半年终于入住！全屋色调优雅极了，电视墙大气有质感，晒晒！那么既然“银杏叶”是孤身入虎穴——当然这个说法也未必准，但最多也就是带着一堆的“忠诚僚机”而已。当然“银杏叶”不能靠着僚机提供体系支撑，反过来无人僚机要依靠“银杏叶”提供体系支撑。那么这样一来，马上就有一个问题了——也就是在“银杏叶”的身份上又加了一层新的身份。本来“银杏叶”身上的身份就很多了：战斗机、远程攻击机，现在还要加上一个预警机的身份。
小阳是一位刚刚升级为奶爸的新父亲，他面临着一个全新的挑战——既要兼顾工作和育儿。在忙碌的生活中，如何才能利用奶瓶的吸力，一边哺乳一边照顾孩子，让自己的生活节奏既合理又高效呢？以下是一些巧妙的方法，帮你实现这一目标。
了解奶瓶的特性是关键。大多数奶瓶都有吸力，但其强弱、分布范围及适用场景等都可能存在差异。对于初学者来说，建议选择吸力适中的奶瓶，例如手动奶嘴或电动奶嘴。手动奶嘴由于需要手握和拉出，操作较为复杂，但可以保证孩子充分吸入乳汁，同时还能帮助家长掌握正确的喂养姿势；而电动奶嘴则更为便捷，只需轻轻一按就能将奶液吸入孩子的口中，无需双手操作，更适用于初次使用奶瓶的宝宝。
利用吸力原理进行适当调节。当婴儿开始吸吮时，吸力会逐渐增强，这是为了刺激婴儿口腔和喉咙部位的肌肉发育和提升吞咽能力。此时，家长可以根据孩子的需求和乳量，通过调整奶嘴的松紧度和大小，以及奶嘴与乳房之间的距离来控制吸力的强度和方向。一般来说，初生婴儿应保持2-3厘米的奶嘴与乳房间的距离，以防止奶水从乳头滑出。随着孩子的成长，这个距离可根据婴儿的吸力需求和个人喜好进行适当的调整。
运用“先大后小”的原则。大部分新生儿在4到6个月左右，因为胃的容积较小，需要频繁地进食。在此阶段，家长可以在每次喂养前先让婴儿喝一些温热的母乳或配方奶粉，然后尝试将奶嘴放入婴儿的嘴里，观察其是否能够顺利吸吮并完全吸空。如果婴儿能够成功吸吮，并且不感到不适，那么就可以调整奶嘴的位置和深度，让奶液能够直接接触到婴儿的整个口腔和舌头，这样既能确保乳汁吸收到宝宝的口腔中，又能避免奶水溢出影响环境。
注重科学喂养技巧。除了把握吸力的适宜程度，家长们还需要学会正确地哺乳姿势。如，左侧卧位有助于减轻右侧乳腺的负担，减少奶液回流的可能性；哺乳时应采取竖抱的方式，使婴儿的头部稍微高于胸部，便于空气流通，同时避免奶液被挤出或溢出；每次哺乳的时间不宜过长，一般5-10分钟即可完成，过度分泌的乳液可能会导致婴儿感到胀气或疼痛。
奶爸巧用奶瓶吸力不仅能有效提高哺乳效率，还对奶爸自身的身心健康和家庭生活质量有着积极的影响。只要具备正确的知识储备，灵活运用吸力原理，结合科学喂养技巧，奶爸们就能在繁忙的工作和育儿生活中找到一种平衡和节奏感，让奶瓶成为自己生活的一部分，享受每一刻充满爱与幸福的家庭时光。
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
经过半年的漫长等待，我们的新家终于迎来了入住的日子。这套房子是我们的第二套房产，由于之前装修婚房的不良经历，我们决定亲自参与这次装修的全过程。虽然过程辛苦，但看到最终的成果，心中的满足感和成就感油然而生。
我们的新家是一套四室一厅一厨两卫的户型，建筑面积149平方米。入户处有一个小花园，我们将其改造成了独立的玄关。这里的采光非常好，白天不需要开灯。我们在窗户下安装了半高形式的鞋柜，台面上摆放了一些装饰品，挂上了几幅画作，让整个空间显得格外温馨。
走进客餐厅，你会发现这里的空间通透舒适。整个空间以暖灰色、白色和米色为主色调，营造出一种优雅而不失温馨的感觉。我们没有在中间设置房梁，因此也不需要额外的吊顶处理。我们认为，如果没有房梁等需要隐藏的问题，可以不做吊顶，用石膏线装饰，既美观又实用。