挑战自我与攀登高峰：一人在众目睽睽之下引导另一人跨越上下两层困境，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王毅会见美国新任驻华大使庞德伟像这种印花款七分裙，宽松的版型更具包容性，可以掩盖腰胯部的粗壮感。裙摆摇曳、轻盈曼妙，配修身的奶奶衫更时髦醒目。
世界上的每一座山脉、每一个峰峦，都在向我们展现出无尽的挑战和无限的可能性。在这些高耸入云的山巅之上，有一种力量驱使着人们不畏艰难，勇敢地攀越，这就是“挑战自我与攀登高峰”的精神。
在这个世界上，每个人都有自己的极限，有的人可以轻易地攀登一座高山，而有的人却只能站在山脚下仰望。在那些人中，总有一位引领者，他们的勇气、决心和智慧超越了众人，他们能够一个人在众目睽睽之下引导另一个人跨越上下两层困境。
这位领导者的名字叫做阿兰，他是一位登山爱好者，他的目标是攀登珠穆朗玛峰。作为一名资深的登山家，阿兰深知攀登这座海拔8848米的世界最高峰并非易事，它不仅需要极高的体力和耐力，更需要有无比的决心和毅力。面对这样的挑战，阿兰并没有退缩，相反，他选择在所有人面前展示出他的勇气和决心，以身作则地带领其他人一同挑战这个极限。
在一次登山活动中，阿兰遇到了一位名叫杰克的年轻登山者，杰克对于这次的攀登充满了恐惧和不确定感，他认为自己无法独自面对如此高难度的任务。阿兰并没有因此而放弃，反而鼓励杰克坚定信心，告诉他：“只有经历过风雨的洗礼，才能真正领略到那里的壮丽风光。”
阿兰和杰克开始了艰难的旅程，他们在崎岖的山路上翻滚跳跃，他们穿越了暴雨和狂风，他们迎接着冰雹和雪崩。在这过程中，阿兰始终保持着冷静和坚韧，他用自己的经验和知识帮助杰克克服了种种困难，指导他如何应对突发状况，如何保持体能并寻找最佳路径。在他的引导下，杰克逐渐适应了环境，同时也感受到了前所未有的成就感和满足感。
最终，经过数月的艰辛努力，阿兰成功地带走了杰克，他也成功地登上了珠穆朗玛峰，成为了第一个成功跨过上下两层困境的人。阿兰的成功在于他敢于挑战自我，勇于攀登高峰的精神，他的行为影响了一大批后来者，激励他们也去追求更高的目标和极限。
如今，当我们谈论“挑战自我与攀登高峰”的精神时，阿兰的形象已经深深地烙印在我们的脑海中。他是那个在众人面前引导另一个人跨越上下两层困境的人，他的故事激励我们无论面临何种困难，都要坚持自我，勇往直前，因为只有这样，我们才能到达生命的巅峰，实现自我价值的最大化。这就是“挑战自我与攀登高峰”的精神，是我们每个人都应该秉持和发扬的一种积极态度。
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
中新社北京6月3日电 中共中央政治局委员、外交部长王毅6月3日在北京会见美国新任驻华大使庞德伟。
王毅欢迎庞德伟履新，希望他做中美之间可信的沟通者、分歧的调解者、合作的促进者，为推动中美关系健康稳定可持续发展发挥积极作用。王毅说，当前中美关系处在重要关键节点。回顾中美建交近半个世纪的风雨历程，最重要的启示是，平等尊重是双方交往前提，对话合作是唯一正确选择。
王毅强调，日内瓦经贸会谈后，中方认真严格落实双方共识。但令人遗憾的是，美方近日以莫须有理由，接连出台一系列消极举措，损害中方正当权益，中方对此坚决反对。美方应相向而行，切实落实两国元首今年1月通话达成的重要共识，为中美关系重返正轨创造必要条件。