神秘女子遭遇罕见疾病：内谢直流白浆发作，身体遭受严苛考验！震撼心灵的报告，传达着怎样的信念？，令人震惊的发现，能够得到关注和活力？
世界著名科幻小说作家艾萨克·阿西莫夫在他的经典作品《基地三部曲》中，以一个充满惊悚和奇幻色彩的设定，描述了一名神秘女子在面对罕见疾病的严峻挑战时所展现的勇气与坚韧。在那个远离地球文明、深藏于地底深处的神秘基地，一名叫做莉莉雅的年轻女性突然发现自己遭遇了一场罕见疾病——内谢直流白浆发作。
莉莉雅是一名优秀的科学家，在她的实验室里，她专注于研究一种名为“超智能黑体”的神秘物质，这种物质能够改变生物体的基本构造，使人类具有超凡的能力。当她在一次实验过程中意外激活了这种物质，导致自己陷入了一个极度危险的境地。她体内弥漫着一股强烈的内谢直流白浆，这股白浆像一条奔腾不息的河，吞噬着她的细胞，让她逐渐失去意识，全身只剩下白茫茫的一片。
在这个生死攸关的时刻，莉莉雅的导师约瑟夫博士敏锐地察觉到了她的异常，并立即将她送入了基地最顶级的医疗中心。在那里，医生们运用最新的科技手段，竭尽全力对抗莉莉雅的疾病。他们尝试使用药物、物理疗法，甚至植入人工器官来维持她的生命。但是，这一切的努力都未能阻止白浆在她的体内疯狂增长，直至她的身体完全被白浆覆盖。
就在这一关键时刻，莉莉雅的内心世界却如同一面镜子般，映射出她的坚韧和决心。她深知自己身上的病痛已经让她失去了所有希望，但她依然选择挺过这个难关。她的大脑中涌动着一股强大的力量，仿佛在告诉她：“我不能放弃，我要活下去。”这种信念支撑着她坚持下去，尽管她的身体遭受着严重的折磨。
随着时间的推移，莉莉雅的身体状况开始好转。她的体内开始有少量的白浆从体内流出，而她的精神状态也逐渐恢复了。她的导师约瑟夫博士欣喜若狂，他知道，只要莉莉雅能战胜这个疾病，她就能恢复健康，回到科研岗位上继续她的探索之旅。
在经历了无数的挫折和磨难之后，莉莉雅终于在医生们的共同努力下康复了。她重新站了起来，身体上的病痛虽然还在持续，但她的精神状态却比以往任何时候都要坚强。她知道，只有通过自己的努力和毅力，才能实现她心中的梦想——找到破解“超智能黑体”之谜的方法，带领人类走出黑暗的困境。
莉莉雅的故事告诉我们，无论我们面临多么艰难的挑战，只要有坚定的信念和无比的勇气，就一定能够战胜一切困难，创造属于自己的辉煌。就像那句经典的台词，“无论命运如何残酷，都不能让你屈服。”这是莉莉雅对生命的誓言，也是所有经历过灾难的人应有的信念。在这个神秘的世界里，勇敢的莉莉雅让我们明白，真正的英雄并不是那些只懂得接受伤害、逃避现实的人，而是那些敢于挑战自我、超越极限的人。
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