汉武帝雄图再起：《大汉天子》续集揭示大汉王朝的壮丽史诗与深层历史演变: 重要问题的解读，能否帮助我们锁定未来？，: 令人思考的调查，难道你不想探索其中的奥秘？
《大汉天子：续集揭示大汉王朝壮丽史诗与深层历史演变》
《大汉天子》是元朝剧作家关汉卿创作的一部历史剧，以汉高祖刘邦和其后四位皇帝为线索，描绘了汉朝从开国到鼎盛，再到衰败的历史变迁。这部剧以其宏大的历史背景、鲜明的人物形象和精彩纷呈的故事剧情，被誉为一部揭示古代中国辉煌与黑暗交替的瑰宝。
《大汉天子》的故事情节主线围绕汉武帝刘彻这位伟大的帝王展开。刘彻在继承皇位之初，面临着诸多挑战和困难，但他凭借智慧和勇气，成功地抵御了外敌的侵扰，实现了国家的统一和富强。他开创的文景之治，使得社会经济稳定繁荣，人民生活安宁富裕，为汉朝的发展奠定了坚实的基础。
随着汉武帝的统治逐渐稳固，他的思想开始发生转变。他认识到战争不仅仅是军事手段，更是政治手段，于是采取了一系列举措来巩固中央集权，提升汉朝的政治影响力。例如，推行推恩令，削藩封侯，设立刺史制度等，这些改革措施有效地削弱了诸侯王的势力，强化了中央集权，为后来的汉武帝大一统奠定了基础。
与此《大汉天子》也深入揭示了汉朝历史上的许多深层次问题。它展现了汉朝时期的社会矛盾和阶级分化。封建土地私有制导致了贫富差距的悬殊，形成了士农工商四民并存的社会结构，这是中国历史上长期存在的社会现象。剧中描述了汉武帝对匈奴的政策，虽然他在反击匈奴的过程中展现出了强大的军事实力，但这也引发了国内汉族与其他民族之间的矛盾。剧中的汉武帝面临着内忧外患的双重压力，他需要通过一系列外交策略来维护国家的和平与稳定，这无疑是对当时中国外交政策的一大创新和突破。
尽管《大汉天子》刻画了一个极具野心和魄力的帝王形象，但它并没有局限于单纯的帝王生涯，而是将目光投向了大汉王朝的兴衰历程。通过对汉武帝这一人物形象的深度剖析，我们可以看到中国古代封建社会的兴衰更替，以及那个时代的政治、经济、文化、教育等诸多方面的风貌。这部剧不仅再现了汉朝的历史画卷，还揭示了人类社会发展的规律和历史进程，为我们提供了一种全新的视角去审视中国传统文化和历史遗产。
《大汉天子》是一部集深邃历史、生动故事、丰富情节于一体的大型历史剧，它以独特的艺术手法和深沉的思想内涵，成功地揭示了大汉王朝的壮丽史诗与深层历史演变，为我们提供了宝贵的文学滋养和社会启迪。无论是在学术研究还是日常生活之中，这部剧都值得我们反复品味和解读，以期从中汲取更多关于中国历史、政治、文化等方面的启示和思考。
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