女强崛起：探索女攻小说的魅力与魅力女性角色的独特力量: 从历史中学习的教训，是否值得传承？，: 引领社会变革的呼声，能否动摇传统的铁律？
高冷、独立、坚韧、智慧——这些词语常常被用来形容女强人，她们以其坚定的信念和不懈的努力在职场上展现出无尽的力量。在众多的女强人形象中，有一种独特力量值得我们深入探讨：那就是女攻小说的魅力以及那些具有强大女攻力的女性角色。
让我们来看看女攻小说的魅力。女攻小说作为一种独特的文学类型，其魅力主要表现在以下几个方面：一是对女性独立自主精神的赞美。女攻小说中的女主角往往拥有极高的知识水平，他们敢于挑战传统观念，追求自我价值实现，这种强烈的独立性和自信心往往让读者深深折服。例如，《百年孤独》中的布恩迪亚家族就是典型的女攻式家庭，家族成员无论年龄大小，都在各自的领域内展现了非凡的实力和才能。他们的成功并非偶然，而是基于他们在各自领域的坚持和努力。
女攻小说注重刻画女性角色的独特力量。传统的男性英雄往往以勇猛、忠诚、无私的形象出现在故事中，而女攻则更加注重个性和情感的展现。她们有自己的目标和梦想，有自己的一套独特方法来达成目的，既有坚韧不拔的精神，又有细腻的情感世界。例如，阿加莎·克里斯蒂笔下的玛格丽特·杜拉斯就是一个典型的女攻形象，她凭借自己的才华和勇气，成为了一个名侦探，解决了各种复杂棘手的案件，也收获了爱情和友情。她的故事充满了智慧、勇气和人性的光辉，让人深深地感受到女性的独特力量。
女攻小说的角色塑造丰富多样，既能展示出女性的才智和能力，也能揭示出她们的内心世界和情感历程。许多女攻小说中的主角，如《傲慢与偏见》中的伊丽莎白·班纳特、《解忧杂货店》中的芳子等，她们在平凡的生活环境中通过智慧、勇气和善良，逐渐成长为独立自主、勇敢坚强的人。这些角色不仅展示了女性的魅力和潜力，也为读者提供了思考人生、寻找答案的空间。
女攻小说中的女攻角色往往在男性的压迫下逆境成长，这样的角色形象更符合现代人们对自由、独立、平等的期待。比如，艾米莉·勃朗特的《简爱》中，简爱在面对种种困境和歧视时，始终坚守着自我和尊严，用独立的人格和坚韧的意志，赢得了罗切斯特的爱情和尊重。这种积极向上的态度和对社会不公的反抗，使得简爱成为了女性反抗封建制度的象征人物。
女攻小说以其独特的魅力和鲜明的角色特征，展现了女性的强大力量和自我超越的精神。她们不仅是女权主义的重要推动者，也是现代社会中女性角色的新形象和新可能。我们应该鼓励和支持更多女性参与到写作之中，创作出更多充满智慧、勇气和独立精神的女攻小说，为构建一个多元、包容的社会贡献一份力量。
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