步战奇才：散兵ちゃん的部下之舞——详细解析腿部技巧与战术应用，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新女友不介意？陈思诚佟丽娅露营陪娃，离婚后成家人烟台市中级人民法院作出的一审判决认定，陈世江因缺乏办家具厂的资金，产生截取（村委会）现金保管员张某某带回家的提留款之恶念。当日下午5时40分，陈世江携带尖刀至张家，将张妻徐某芝杀害并移至西屋，自己藏身在张家厕所内。约6时10分，张某某携款由本村会计陪同回家，陈世江见抢劫不成，从厕所窜出，衣襟遮面逃跑。
在步战中，每一名步兵都像是一支独立而强大的部队，他们掌握着步兵的武器装备、战术知识和战略眼光，是决定战斗胜负的关键因素。其中，一支步兵的腿部技巧和战术应用尤为重要，因为它们直接关系到步兵能否快速准确地完成战场上的行动，以及在敌方进攻时所展示出的实力和灵活性。
腿部技巧是步兵执行各种任务的重要基础。传统的步兵训练通常注重体能训练和武器操作技能的培养，包括跑步速度、跳跃能力、枪械射击技巧等，这些技能对于步兵的机动性和生存能力至关重要。腿部技巧不仅仅是身体素质的体现，更是一种策略和战术的应用。例如，面对近距离的火力攻击，腿部力量的优势能够帮助步兵迅速摆脱包围，并利用地形优势进行反击；而在面对高强度的奔跑或跳跃任务时，腿部的力量则可以支撑步兵长时间维持高速度，从而避免因疲劳导致的失误。
腿部技巧的运用也体现在步兵的战术决策上。在团队作战中，腿部的灵活反应和力量优势可以帮助步兵实施有效的攻防策略。例如，当一个步兵在队伍前方负责正面冲击时，他的腿部力量可以在第一时间引导队友发起冲锋，通过快速移动和灵活的闪避避开敌人的主要火力区域，为后续的攻防行动创造条件。腿部的灵活性也能帮助步兵在战场上快速调整位置，避免被敌人锁定并利用其弱点进行打击。
腿部技巧也是步兵在进行侦察和情报收集时的重要工具。步兵需要凭借腿部的力量和敏捷性，穿越密集的障碍物和复杂的地形环境，获取敌方的信息和动态，对战场局势有全面的认识和评估。例如，在开阔的地带，步兵可以通过快速的脚步移动和灵活的身体转向，对敌方的位置、兵力分布和武器配置进行精确的侦查和判断，以此为基础制定出更加科学和实用的战术方案。
步战中的腿部技巧和战术应用是步兵在复杂多变的战场上实现高效行动的基础，它们不仅直接影响到步兵的生存能力、攻击力和灵活性，还关乎到步兵在战术决策、信息收集和侦察行动等方面的发挥。无论是作为一支步兵的指挥者，还是一个独立的士兵，都需要充分理解和掌握腿部技巧和战术应用，以便在步战中展现出最佳的作战表现和战斗力。
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
最近有网友在北京一个亲子露营庄园偶遇佟丽娅和陈思诚，两人虽然离婚了，但一起陪儿子朵朵过六一，场面特别温馨。
要知道，陈思诚刚从戛纳回来，据说还带着新女友，结果转头就开车去找前妻和儿子，这操作确实让人意外。
现场路人说，佟丽娅穿白色长裙坐在草坪边，温柔地看着孩子玩，陈思诚则戴着墨镜问路，两人没同框，但默契十足。