探索科技前沿：开启未来科学的璀璨篇章——投身于科技创新，塑造科技与未来的交汇点亟待解决的现实难题，是否能引导行动？，需要关注的历史教训，未来将影射着如何发展？
假设我们身处一个充满科技魅力和无限可能的时代，每一个人都在被科技的力量所驱动，渴望探寻其背后的深邃奥秘。在这个世界里，科技不仅改变了我们的生活方式，更在创造着未来的可能性。而科技的探索，正是开启这一璀璨篇章的关键。
科技的发展日新月异，无论是人工智能、大数据、量子计算还是新能源技术，都为我们勾勒出了一个全新的科技世界。这些领域不仅是科技发展的前沿，更是引领社会变革的重要驱动力。比如，在人工智能领域，通过深度学习、自然语言处理等先进技术，机器不仅可以理解和模仿人类的思考模式，还能创造出具有创造力和智能化的应用场景，如智能客服、自动驾驶、机器人医疗等，大大提升了工作效率和生活质量。在大数据领域，通过数据挖掘和可视化技术，我们可以从海量信息中提取出有用的信息，为决策提供依据，推动企业和个人实现智慧化运营和服务。而在量子计算领域，通过量子比特（qubit）的独特性质，可以模拟并解决传统计算机难以处理的问题，如优化问题、密码学难题等，开启了新的科研方向和商业应用。
科技的快速发展并不意味着科技本身就是完美的，它需要我们投入更多的精力去研究和创新，以期在实践中不断改进和发展。这需要我们在学习新知识、掌握新技术的也要保持批判性思维和创新精神，敢于挑战现有的理论和方法，勇于寻找和尝试新的思路和解决方案。在这个过程中，我们需要培养跨学科的视野和能力，如数学、物理、化学、生物学等基础科学知识，以及工程设计、软件开发、市场研究等专业知识，以便更好地理解和应用这些技术成果。
我们也应该关注科技对环境和社会的影响，尽可能地减少科技发展带来的负面影响，保护好人类赖以生存的地球家园。这包括推动可再生能源的研发和利用，降低碳排放；提升数字化治理水平，推进网络安全和隐私保护；强化法律法规建设，规范科技产业行为，维护公平竞争秩序等。
参与科技创新，是我们面对科技未来发展的重要选择，也是我们把握时代脉搏、塑造科技与未来的交汇点的重要途径。只有我们紧密团结在一起，敢于突破常规，勇于探索未知，才能在科技创新的大潮中乘风破浪，开创更为灿烂的未来。让我们一起投入到这场科技的盛宴中，用知识、汗水和勇气，开启这个崭新的未来科学的璀璨篇章！
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