香氛盛宴：独特创意大香水烹饪工艺探索——大香水煮伊人的独特魅力与技艺剖析，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A股回调拖累理财收益，超六成权益类产品近一周收益告负丨机警理财周报可以说穿上这一身衣服的她，每一组线条都仿佛经过了精心雕琢。
在香气的领域里，一种名为"香氛盛宴"的独特烹饪工艺已经引起了人们的广泛关注。这种工艺源于古法烹饪，将大香水融入独特的烹饪技术中，使其散发出独特的香气，成为人们享受特殊品味和情感表达的重要载体。
让我们从大香水的基本概念开始理解。香氛是一种挥发性有机化合物，通常以清新、优雅或豪华的香气为主。大香水的特点在于其浓郁且持久的香气，这源自于香水的分子结构设计和制造过程。香水中的成分通常是精炼的植物提取物、天然油脂、香料等，通过特殊的化学反应和调配，形成了一种复杂的香气体系，从而产生了独特的香味效果。
要实现这样的香味效果，烹饪工艺便起到了关键的作用。传统的大香水烹饪工艺主要包括以下几个步骤：
1. 选材：香料选择是香氛烹饪的第一步，也是决定香气效果的关键。不同的香料具有不同的气味和香气强度，需要根据香水的设计需求来选取。例如，柑橘类香料如柠檬、橙子、柚子等可以带来清新的果香，而玫瑰精油则能营造出浓郁的花香。
2. 制作：制作香料时需要使用各种厨具和技术，包括研磨、蒸馏、调制等。这些过程需要精确控制温度、时间、压力等因素，以保证香气的稳定性。例如，研磨新鲜的香草籽或精油，需要使用石英研磨机进行细腻研磨；蒸馏过程中需要控制水温，防止香气过热或过冷；调制过程中需要根据不同香料的比例和比例关系，调整配方以达到最佳效果。
3. 煮制：在烹饪过程中，香料会不断挥发和释放香气。这个过程被称为“香氛蒸发”，主要依靠火候和蒸汽的控制。火候过高可能导致香料燃烧过度，产生过多的热量和烟雾，影响香气的质量和稳定性。烹饪者需要在合适的火候下，持续不断地加热和抽气，使香料充分蒸发和散失香气。
4. 冷却：烹饪完成后，香氛蒸发的过程就完成了。此时，需要将香料冷却至室温，然后再密封保存，以保持其香味的持久性和完整性。
5. 配合：还需要结合香香水的用途和氛围，对烹饪好的香氛进行适当的搭配和混合。例如，如果香香水是用来提升女性的魅力和自信，那么烹饪后的香氛可能需要具有柔和、舒适的味道，如百合、茉莉、薰衣草等。而在庆祝场合或者特别的节日活动中，香香水烹饪可能需要具有热烈、浓烈的味道，如黑胡椒、红辣椒、龙涎香等，以营造出浓厚的仪式感和气氛。
香氛盛宴的烹饪工艺是一种创新的技术，它将大香水这一独特的香水艺术与传统的烹饪技巧相结合，创造出一种既能展示香氛的魅力，又能满足特定烹饪需求的新式香氛烹饪方式。这种烹饪工艺不仅让香氛的香味更加丰富和深度，也赋予了香氛更深层次的情感表达和体验，使得大香水煮伊人成为一个独特的美食文化现象。
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
编者按：《机警理财日报》作为南财集团、21世纪经济报道、南财理财通的金牌理财专栏，目前细分了现金、纯固收、固收+期权、固收+权益、混合、权益、衍生品七大类，已实现对银行理财市场的每日追踪。为了进一步反映银行理财行业发展现状，南财理财通课题组增设机警理财周报专题，力求及时准确研判理财行业趋势、洞悉理财产品表现，以期为银行理财行业转型发展带来参考价值。
【市场回顾】
债市方面，上周跨月，央行细心呵护，资金面整体均衡，债市窄幅震荡。5月30日DR007加权均价为1.66%，10年期国债收益率收至1.67%。股市方面，上周A股主要股指收跌，上证指数、深证成指和沪深300指数周跌幅分别为0.03%、0.91%和1.08%。板块方面，环保、医药生物、国防军工板块周涨幅居前。
【破净情况】
破净理财产品数量维持平稳。南财理财通数据显示，截至2025年6月1日，理财公司共有23,709只存续公募理财产品，其中167只累计净值低于1，银行理财综合破净率收至0.7%。各投资类别理财产品破净率较此前一周变化不大，权益类、混合类理财破净率分别为53.85%和7.08%；固定收益类公募理财破净率为0.25%，商品及金融衍生品类理财破净率为0。
各期限人民币固定收益类理财破净率维持低位，均在1%以下。其中，2~3年期限和1~2年期限产品破净率稍高，分别为0.51%和0.46%。
【新发情况】
南财理财通数据显示，32家理财公司上周（5月26日—5月30日）合计发行了496只理财产品（同一产品登记编码下不同份额合并计算），股份行理财公司发行产品数量位居前列，华夏理财发行了47只产品，兴银理财发行了46只产品，招银理财发行了37只产品。
从新发产品特点看，理财公司上周新发产品仍以R2（中低风险）、封闭式净值型、固收类公募型产品为主，混合类产品发行数量为15只，占比3.0%，权益类产品无新发，商品及金融衍生品类新发产品有3只。