白色与蓝色交织：回顾白衫悲悔的交织历程——探索心痛与救赎交织的力量: 黑暗中的光明，难道不值得被发现？，: 有待重视的现象，是否让社会倍感压力？
在人类历史长河中，白色和蓝色犹如两道绚丽而深邃的色彩，相互交织，共同演绎出了一段充满悲伤与救赎、心痛与坚韧交织的历程。白色的飘逸与蓝色的深远，如同心灵深处的伤痕与希望的曙光，共同揭示着生活的真谛。
白色象征了纯洁与高尚，是人们心中的理想追求和精神寄托。在古代，白色常常被用作祭奠死者、祭祀神灵的特殊颜色，如在中国的传统节日清明节，家家户户都会悬挂白色的纸灯笼，以表达对逝者的怀念和敬仰之情。在生命的最后时刻，白色却成为一种深深的痛苦记忆，成为了人们对过往生活的追忆和哀悼，进而形成了“白色悲哀”。
蓝色则象征着沉静与安宁，它是无尽大海的颜色，也代表了人的内心深处的情感世界。在古希腊文化中，蓝色代表着智慧与理智，是雅典城邦的政治领袖所使用的颜色，象征着他们的决策力和领导力。在人生的某个阶段，蓝色往往会被赋予深深的忧郁和迷茫，就像那茫茫的大海一样，深邃而又宽广，让人无法捉摸其深处的含义。
当白色与蓝色交织在一起时，它们仿佛变成了生命中的两条平行线，各自承载着悲痛和救赎的力量。白色代表了那些无法忘怀的过去，那些曾经深深烙印在心头的痛苦，它们如同深夜里的孤灯，照亮了人们的前行道路，让人们在黑暗中找到了方向。而蓝色则象征着那些正在逐渐消散的回忆，那些过去的经历，如同冬日的暖阳，温暖了人们的心田，带来了希望和力量。
在这些交织的白色与蓝色之中，人们经历了无数的痛苦和挣扎，从绝望中寻找到了希望，从失落中找到了勇气。他们通过自己的努力和奋斗，将悲伤转化为力量，将内心的疼痛转变为救赎。他们将过去的记忆转化为现在的行动，将过去的痛苦转化为未来的成功。在一次次的挫折和磨难中，他们学会了勇敢面对，学会了坚强不屈，学会了自我疗愈。
在这个过程中，白色与蓝色交融的力量，就像是一首优美的交响曲，旋律激昂，充满了悲痛与救赎的气息。它告诉我们，无论生活多么艰难，只要我们心中有爱，有信念，有勇气，就一定能够克服困难，走出困境，实现自我价值，书写属于自己的精彩人生篇章。
“白色与蓝色交织：回顾白衫悲悔的交织历程——探索心痛与救赎交织的力量”，这一主题不仅揭示了人类情感世界的深刻内涵，更启示我们要以积极的态度去面对生活中的挑战，以坚韧的精神去克服人生的困境，以感恩的心态去珍惜身边的每一份美好，从而实现自我救赎，走向幸福的人生之路。
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