班长深情诉说：再怎么抠都无法抹去的悔过与决心——关于那份无法遏制的抠门经历关键时刻的决策，背后你又看到了什么？，充满张力的冲突，未来势必将擦出不一样的火花。
下列是一篇以“班长深情诉说：再怎么抠都无法抹去的悔过与决心——关于那份无法遏制的抠门经历”为题的文章：
题目：班长深情诉说：再怎么抠都无法抹去的悔过与决心——关于那份无法遏制的抠门经历
在我们班级中，有一位班长名叫小李。他不仅是一位优秀的领导者，更是一位勤奋努力、深思熟虑的学生代表。他的勤俭节约、不追求物质享受的精神深深影响了我们每一个人。
小李的生活并非一帆风顺，他在初入大学时并没有像其他同学一样拥有优越的家庭环境和财力支持。他选择了勤工俭学的方式谋生，从早晨六点开始到晚上九点半结束，每天都会花费大量的时间去图书馆、餐厅等地做兼职工作，以此来补贴生活费并减轻父母的压力。
尽管小李的经济条件艰苦，但他却从未忘记对学习的热爱和对未来的期待。他深知，只有通过扎实的学习才能改变自己的命运，所以他总是坚持不懈地保持高度的专注，即使在最困难的时候也不放弃任何一个学习的机会。他的课堂笔记被老师誉为“知识的海洋”，他利用课余时间查阅书籍、参加学术讲座，不断提升自己的专业技能和综合素质。
除了学业，小李还积极参与学校的各类社团活动，如学生会、志愿者服务队等，这些活动不仅丰富了他的校园生活，也锻炼了他的组织协调能力和团队协作能力。他以实际行动证明了，只要有坚定的决心和不懈的努力，任何困难都能克服，任何挑战都能迎刃而解。
在一次特殊的班级聚会上，小李的一段话让在场的同学都震惊不已。那天，同学们围坐在一块儿，热烈讨论着近期的成绩和计划。突然，小李开口讲述了一件他至今仍心有余悸的经历。
那是临近毕业的一个学期，小李因为家庭原因向学校申请了一份贫困助学金，希望通过这份资助他能顺利完成学业，并有机会继续深造。当他满怀希望地提交申请时，班主任却婉转地拒绝了他的申请。他说：“小李，你的成绩并不出色，也没有表现出明显的社会贡献。虽然我理解你的情况，但考虑到你所在的班级正在面临严重的财务危机，我还是不能给予你这份资助。”
听到这个消息，小李的心情瞬间跌落到了谷底。他看着班主任真诚的目光，心中充满了愧疚和懊悔。他知道，他的表现辜负了老师们的期望，也让同学们看到了他的抠门和轻视，这是他对生活的过度追求和对自身价值的忽视。那一刻，他深刻认识到，自己的行为已经严重损害了自己的形象和信誉，这将对自己今后的人生道路产生深远的影响。
于是，小李下定决心要改变自己，坚决摆脱那段无法遏制的抠门经历。他主动寻找学校提供的各种资助机会，如勤工助学、奖学金、助学贷款等，通过合理分配和有效利用自己的收入，逐渐减少不必要的开支。他还积极参加社会实践活动，寻找实习岗位，锻炼自我解决问题的能力，提高自身的综合素质和就业竞争力。
经过一段时间的努力，小李终于实现了自己的目标，不仅成功得到了全额助学金，还在一家知名企业找到了一份满意的工作。他的这次经历让他更加深刻地认识到，无论遇到多大的困难，只要我们能够坚守初心，勇敢面对，就一定能够走出困境，实现自我价值。
班长深情诉说小李的故事，让我们明白了在生活中，无论是学业还是个人成长，都需要我们始终保持一颗无私奉献的心，不图虚荣，不攀比，不浪费，坚持自己的价值观和信念，不断努力，方能在人生的道路上越走越远，越攀越高。班长的故事为我们敲响了警钟，让我们明白，只有经历过生活的磨砺和挫折，我们才能更好地认识自己，更好地把握人生的方向。对于那些曾经陷入“抠门”困扰的人
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