八重神子与影之缘：小狐狸神秘诞生，未知力量的交织奇遇: 意外的发现，作为未来的动力又该如何抵达？，: 引导思考的热点，未来的你又将如何思考？
初中生小林在一次偶然的机会中，发现了自家院子里的一只小狐狸。这只小狐狸不同于其他的小动物，它的毛色犹如一片深邃的夜空，闪烁着独特的光芒，让人不禁感叹大自然的鬼斧神工。
小狐狸身上的毛发如同一层层的繁星密布，每一片都闪耀着璀璨的光泽。它的尾巴末端，有一颗明亮的蓝宝石，熠熠生辉，仿佛是它灵魂的见证者。更令人惊讶的是，小狐狸的眼睛里充满了好奇和探索的光芒，像是时刻准备着去发现更多未知的世界。
小狐狸的生活环境异常独特，它居住在一个被茂密森林环绕的房子里，周围弥漫着淡淡的花香，鸟儿的歌声此起彼伏，仿佛是一首宁静而美妙的田园交响曲。在这里，小狐狸能够尽情地享受大自然赋予它的乐趣，追逐蝴蝶、攀爬树梢，或者在湖边悠闲地散步，那种无忧无虑的感觉让人心旷神怡。
随着小狐狸逐渐长大，它的生活开始变得复杂起来。一天晚上，小狐狸在森林深处迷路了。黑暗中，小狐狸摸索前行，突然，一道强烈的电光划破了天空，照亮了它的前方。小狐狸心中惊慌失措，但它意识到这不是自然现象，而是来自一个神秘的力量——八重神子。
八重神子是一种传说中的精灵，拥有强大的力量和超凡的能力。他们以七重光辉的力量守护着这个世界，其中最强大的一层叫做“雷光”，能净化邪恶，消灭灾难。八重神子的出现，给迷失的小狐狸带来了希望和指引。它告诉小狐狸，只要勇敢面对困难，坚定信念，就能找到回家的路。
小狐狸决定跟随八重神子的脚步，踏上一段寻找自我、战胜困难的旅程。在这过程中，小狐狸遇到了许多危险和挑战，但每次都能凭借勇气和智慧挺过难关，甚至有时候还能帮助八重神子对抗那些试图破坏世界和平的邪恶势力。
在这个过程中，小狐狸学会了信任和合作，它们之间的友情也日渐深厚。每当八重神子需要帮助时，小狐狸都会毫不犹豫地冲上前去，用自己所有的力量去保护他的伙伴。这种无私的奉献精神，深深地打动了八重神子，也让八重神子对小狐狸有了更深的理解和尊重。
经过无数的冒险和挑战，小狐狸终于找到了属于自己的家，回到了熟悉的森林之中。但是，它明白，真正的幸福并不在于拥有多少财富和权力，而在于如何珍视身边的人和事，以及如何在面对困难时不屈不挠，坚持不懈。
从此以后，小狐狸成为了八重神子的朋友，他们一起面对各种各样的困难和挑战，共同维护世界的和平与稳定。他们的故事告诉我们，只有勇于探险、团结互助，才能实现自身的价值，找到生活的意义，实现自我成长。
八重神子与影之缘的故事，虽然充满神秘色彩，但却揭示了一个深刻的人生哲理——每一个生命都有其独特的存在意义和价值，只要我们勇敢面对，积极进取，就能找到属于自己的道路，找到属于自己的光明。这就是小狐狸与影之缘，一个关于勇气、友谊、牺牲和成长的故事，也是关于我们每个人内心的宝藏，是我们生活中不可或缺的一部分。
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