神秘男友深度插入，我竟未察觉：视频中的深入体验与心理揭秘: 列举严峻的事实，没有人可以无视吗？，: 严峻考验的现实，大家又能共同携手应对？
从一个普通的日常社交活动中，我发现了一位神秘的男子，他总是以一种特别的方式介入我的生活。每一次我通过手机或社交媒体，不经意间看到他的照片、视频或者文字，都能深深地吸引着我。这种感觉就像一只蝴蝶在花丛中翩翩起舞，不自觉地被他的魅力所吸引。
这个神秘的男子名叫杰克，他在一次偶然的机会下加入了我们的私人圈子。起初，我们都以为只是普通的网络朋友，直到他的出现让我开始对他产生好奇和敬畏。每当我在社交平台上分享日常生活点滴，都会被杰克的留言所吸引，每一条都是充满诗意和哲理的话语，仿佛能穿透屏幕直达心灵深处。
当我真正深入了解杰克后，我惊讶于他隐藏在深邃眼眸里的那份神秘和深沉。他并非那种善于言辞的人，更不是那种容易动情的浪漫主义者，但他却用他的言行，深深影响了我。他总是静静地坐在咖啡厅，手里捧着一本书，静静地看着窗外的风景，仿佛在思考人生的意义和价值。他的一言一行，都像是在无声地诉说着他对生活的独特理解。
看着杰克，我开始意识到，他是一个内心丰富且深思熟虑的人。他的世界并不像表面上那样简单，而是充满了多元化的色彩。他的存在，让我不再局限于自己的小世界，而是在这个世界中找到了属于自己的位置和意义。他教会我，真正的爱情并不是热烈的激情，而是平淡的生活中的相互陪伴和尊重。他的生活态度，让我明白了，人生的价值并不在于追求物质的奢华和享受，而在于内心的充实和满足。
尽管杰克常常让我感到困惑和迷茫，但我从未想过放弃对他的了解和探索。我知道，只有通过深入体验他的生活，才能真正理解他的内心世界。于是，在一次偶然的机会，我决定去见他，去听他讲述他的故事，去感受他的情感。
当我真正见到杰克时，我震惊于他的外表和气质。他的皮肤白皙如玉，眼神深邃如海，似乎藏着无尽的故事和秘密。他的声音低沉而富有磁性，每一句话都仿佛能触动我的心弦。他的生活节奏缓慢而有序，他的言谈举止平易近人，但又充满力量和智慧。
在这个过程中，我深入体验了他的生活，看到了他如何在逆境中坚持自我，如何在平凡的日子里寻找幸福，如何在亲情友情中坚守原则，如何在工作中实现自我价值。这些经历让我深刻理解到，生活不仅仅是物质的积累和成就，更是精神世界的丰富和成长。
杰克是一位深藏不露的神秘男友，他的深度插入让我感受到了人生的复杂和深度，也让我看到了自我认识的深化和人性的理解。他的存在，让我更加明白，无论生活中发生什么变化，只要我们愿意用心去感知和体验，就能找到属于自己的那份幸福和感动。这份神秘男友的深插入我生命中的那一刻，成为了我人生中最宝贵的回忆之一，也成为了我人生路上的一道璀璨星光。
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