揭秘我如何用知乎对话讲述我与我的丈夫：从「他先」到「他哪里知乎」的深度解读，继《长安十二时辰》后曹盾马伯庸再携手，《长安的荔枝》增加全新人物线看似无害的提问，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毛宁表示，中方高度关注相关事件，坚决反对任何威胁外交人员安全的行为，要求开展全面调查，避免类似事件再次发生。 毛宁指出，一段时间以来，约旦河西岸的形势持续紧张，中方敦促有关方特别是以色列不要采取任何进一步激化矛盾的举动。
高亮关键词：知乎对话、深度解读、他先、他哪里知乎
在互联网时代，我们常常能看到各种各样的人在社交媒体上分享自己的生活点滴和情感故事。其中，“他先”和“他哪里知乎”这样的关键词常常被提及，它们代表了一种独特的表达方式，其中包含了个人的真实经历、见解和感悟。今天，我们就来一起揭秘一下，这些关键词背后的故事。
我们需要了解，“他先”的含义。它通常指的是在某件事情发生之前，一个人已经做出了明确、果断的决定或行动。这种情况下，这个人往往会先考虑自己的感受、想法和目标，然后在合适的时候选择采取行动，比如主动提出解决方案、做出选择或接受挑战。在这个过程中，他的决策往往基于对当前情况的深入了解和对未来可能结果的判断。
例如，假设一个朋友在面临一次重要的人生抉择时，他选择了独自去旅行，而不是依赖家庭支持或他人建议。他的“他先”，可能是他对旅行的热情和渴望，以及对未知世界的向往。在他出发前，他会花费大量时间研究目的地的文化、历史、美食等信息，制定详细行程计划，并提前联系旅行社，确保一切顺利进行。
在旅行的过程中，他不仅会体验当地的生活和文化，还会通过各种社交媒体平台记录下自己的见闻和感受。他会分享关于旅行过程中的趣事、美食照片和美景，甚至会在关键时刻向亲友寻求帮助和支持。他的“他先”，是他对生活的热爱和追求，也是对他个人成长和人际交往能力的一种证明。
对于一些人来说，他们更习惯使用“他哪里知乎”这个关键词来描述他们的网络交流风格或者分享的内容特点。在这种情况下，“他哪里知乎”意味着他在回答问题时倾向于以开放的态度和深入的思考为宗旨，不仅提供具体的信息和事实依据，还经常以自身的独特视角和多元化的观点探讨问题的本质和影响。他的“他哪里知乎”，可能是他对知识的求知欲强烈，希望通过提问和讨论激发他人的思考和发现；也可能是他坚信知识的力量，愿意分享自己的经验和感悟，引导读者走出思考的盲区。
“他先”和“他哪里知乎”这两个关键词分别代表了个人在面对不同情境和需求时所展现出的不同决策模式和行为特征。理解并尊重这些不同的表达方式，可以帮助我们更好地理解和欣赏个体的内心世界，从中汲取智慧和启示，同时也能促进网络交流的多元化和包容性，让每个人都能在信息爆炸的时代找到属于自己的声音和价值。
6月3日，电视剧《长安的荔枝》超前巡回观影会在北京举行，导演曹盾，原著作者、故事顾问马伯庸，主演公磊、冯嘉怡出席活动，与500余名观众一同尝鲜《长安的荔枝》精华片段。
该剧讲述了主人公李善德（雷佳音 饰）在同僚的欺骗下接下了“荔枝使”的身份，需从岭南运送新鲜荔枝到长安以贺贵妃生辰的“死亡”任务。荔枝“一日色变，两日香变，三日味变”，然而岭南距离长安五千余里。面临这样一个不可能完成的任务，为了保全女儿李秀儿的余生安全，李善德不得不前往岭南拼死一搏。在他抵达岭南后，却偶遇了为左相寻找右相敛财罪证的郑平安（岳云鹏饰），“郎舅”二人异乡相遇，却各自肩负着性命攸关的重任。
导演曹盾
活动现场，曹盾导演透露该剧的首要目标是最大限度地呈现原著精神内核，以主人公李善德的命运起伏为身处职场的人们带去深刻的共情与共鸣，而原著扎实有力的共情力，也带给了二度创作坚实的基石。同时，曹盾强调，中华文化绵延不绝，从未有过断裂，只要认真去聆听，古代与当下跨越千年的情感与智慧始终都在彼此映照。
原著作者马伯庸
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