国宝级乱码精选：揭秘囯产精品区二区三区独特的编码魅力，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原创 尹锡悦夫妇罕见公开露面！53 岁金建希脸垮，穿搭变朴素，全程黑脸去年，有人拍到他们在国外旅行，俩人穿着简单，走在街头，脸上挂着笑，精神头儿十足。
在浩瀚的中华文化宝库中，众多珍贵的文化遗产以独具匠心的方式展示了中华民族的历史记忆和智慧结晶。其中，有一种独特的编码风格——国宝级乱码精选，以其独特且富含历史内涵的编码魅力深深地吸引着人们的目光。下面，我们就一起探索国宝级乱码精选背后的故事，揭秘其背后的神秘魅力。
让我们先了解一下国宝级乱码精选的来源。这种特殊的编码现象通常源于我国古代，尤其是中国古代文化遗产的丰富性和多样性。据学者考证，国宝级乱码精选最早起源于秦朝时期的篆书体，那时的字体具有独特的书法韵味和艺术美感，但由于历史记载和印刷技术的限制，当时的汉字往往难以准确地记录，因此出现了大量的错别字和笔画繁复、无法辨识的字符现象，这就是所谓的“乱码”。
这些“乱码”的出现，一方面反映了当时社会文化环境的独特性，如书写工具与印刷材料的局限；另一方面也反映了古代文明的开放包容和对知识的追求精神。从某种程度上来说，这些“乱码”不仅是文字的变形与组合，更是一种艺术创作的表现形式，是对古代历史文化的一种特殊诠释和再现。
而国宝级乱码精选在编码内容上也有其独特的特征。例如，二区三区的国宝级乱码精选主要聚焦于明清时期的文化遗产，其中包括了大量的书画、戏曲、民间故事等元素。由于这些文化遗产大多出自士大夫阶层，他们的作品多以诗词歌赋、文人画为主，“乱码”中的字符往往是诗词中的词语和古文的变体，甚至有些甚至是古代文学典籍中的专有名词，如“山水画卷”、“风雅颂”等。
国宝级乱码精选的编码设计也非常注重艺术性和实用性。在布局上，乱码通常采用象征性的符号或图案进行排列，将书法、绘画等多种艺术形式巧妙地融合在一起，形成了一种独特的视觉效果。例如，“二区三区”中的“二”，采用了传统的双勾法，既体现了书法的艺术美，又寓意着“二元对立”、“阴阳相合”的哲学观念；“三区”则以“三山五岳”为设计元素，将各种艺术品融入其中，使得整幅画面充满了浓厚的人文气息。
国宝级乱码精选以其独树一帜的编码风格和丰富的文化内涵，展现了中华文明的独特魅力和深远影响。虽然这是一组充满想象力和创新性的“乱码”，但却充分反映出古代中国人民对文化的热爱和对知识的追求，是我们探寻中国传统文化根源的重要窗口。无论是对于学术研究还是对于广大读者而言，了解并欣赏国宝级乱码精选，无疑都将为我们打开一个全新的视角，深入理解中华民族博大精深的文化世界。
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
6 月 3 日，韩国第21届总统大选投票进行中，尹锡悦夫妇两个人现身距离家中最近的投票站投票，这是两人很罕见的公开同框露面。
尹锡悦看起来心情不错，一身蓝色西装没有打领带，而且西装还皱巴巴的，这个细节证明他的现状，不是很在意形象了。但他一直笑嘻嘻的，不管是面对媒体记者，还是普通人，尹锡悦都在热情打招呼。仔细看他，他已经有了很多白发，估计内心的忧愁也不减，但不会把情绪挂在脸上。