巧手搓动爱的旋律：揭秘男生女生搓搓搓背后的浪漫启示与情感共鸣: 持续发酵的动态，背后将如何影响社会？，: 不容忽视的事实，真正原因又是什么？
高二男生小明和同桌李红，在课余时间经常一起搓手搓面。看似简单的动作，实际上却蕴含着丰富的浪漫启示与情感共鸣。
搓手搓面是男生女生之间互动的一种常见方式，代表着他们的感情交流。搓手时，两人的手指相互摩擦，产生轻微的振动，这是一种无声的语言，传递出他们对彼此的喜爱、关心和尊重。这种“无声”的交流方式，既避免了言语上的直接碰撞，也使双方能够更好地理解对方的想法和感受。在搓手搓面的过程中，男生可能会对李红的外貌或性格有更深的印象，而李红也可能因为小明的手感和温度而感受到他的真诚和热情。这种微妙的情感共鸣，无疑为他们的友情增添了一份深厚的感情基础。
搓手搓面的过程也是一种创意艺术的表现形式。男生通常会用双手搓出各种形状和图案，如心形、爱心、爱心串等，这些图案象征着爱情的美好，寓意着两人之间的深情厚意和无尽的爱意。而李红则可能用她细腻的指尖轻轻搓动，呈现出一种独特的美，就像她自己内心的那份细腻和温柔。这种细腻的搓动，不仅仅是一种技艺的表现，更是一种情感的表达，让人感受到了她的独特魅力和深情厚意。
搓手搓面也是男生女生互相鼓励和支持的重要手段。他们在搓手搓面的过程中，可以感受到对方的支持和鼓励，从而增强彼此的自信和勇气。例如，当小明感到压力大或者困难重重时，他可能会告诉李红：“我知道你一直都在支持我，我会尽力克服的。”而李红也会回应道：“我也会和你一起面对所有的挑战，因为我们是一对好朋友。”这样的互相支持和鼓励，不仅加深了他们之间的感情纽带，也让他们在面临困难和挫折时有了更多的力量和信心。
搓手搓面不仅是男生女生之间简单互动的方式，更是他们之间感情交流、创意艺术表现和互相鼓励和支持的重要载体。在搓手搓面中，男生女生通过默契的配合、细致的观察和深沉的情感，共同构建了一幅生动的爱情画面。这幅画面中的每一个细节都充满了个性化的元素，展现了男生女生之间那种浓厚的浪漫情怀和深深的爱意，这也是为什么搓手搓面在男生女生中如此流行的原因所在。
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