师者风采：亲身体验GL自行登堂入室的导师魅力: 触动心灵的案例，是否能激发共鸣的温度？，: 重要人物的言论，真正的影响是什么？
铁马冰河入梦来，千山万水难为行。我曾有幸亲身经历一位导师的光辉风采——GL自行登堂入室的经历。这位导师以其独特的教学风格、严谨的教学态度以及深厚的专业素养，让我在学习过程中收获了无尽的启示和启发。
GL是一位充满激情与活力的教育家，他的课堂总是充满了生机与活力，如同一片广阔的海洋。他不仅以知识丰富的学生为目标，更注重引导学生进行深入思考，培养他们的创新思维和批判性思维。在他的课堂上，学生们可以自由提问，发表自己的观点和见解，这无疑激发了他们的好奇心和求知欲。在这种环境下，我们的思维得到了充分的锻炼和挑战，同时也极大地拓展了我们的视野和认识世界的能力。
每一次课程结束时，GL都会对我们进行一次深度的反馈和总结，他的话语中充满着对我们的鼓励和支持，让我们深感荣幸的同时也倍受鼓舞。他告诉我们：“学习不是一次性的事情，而是一个持续的过程，需要我们不断地探索和实践。”这句话深深地烙印在我的心中，让我明白无论我们在学术研究还是日常生活中，都要始终保持这种勇于探索的精神，不断挖掘自身的潜力和能力，从而实现自我价值和成长。
GL还强调了教师的职业道德和责任。他在教授每一门专业课程之前，都会精心准备教材和讲义，并且严格要求自己做到认真备课，确保每一个知识点都能够准确无误地传达给学生。他在教学过程中始终坚持以身作则，用自己的行动诠释着什么是真正的教师精神。
GL还是一个富有耐心和爱心的人。他对每一位学生都充满尊重和关心，不论是在学习上还是在生活中，他都能给予我们无微不至的帮助。他的笑容和热情就像一颗明亮的灯塔，照亮了我们前行的道路，使我们在这个竞争激烈的世界里保持自信和勇气。
GL自行登堂入室的导师魅力不仅仅在于他的教学技巧和专业知识，更在于他的人格魅力和教育理念。他是我们人生的引路人，他的言传身教教会我们如何成为一个有理想、有追求、有担当的人，如何在知识的海洋中勇往直前，如何在生活的道路上披荆斩棘。他的存在，犹如一盏明灯，照亮了我们前进的道路，为我们的人生增添了无数色彩和意义。在未来的日子里，我们将继续铭记他的教诲，努力成为一名真正意义上的学识渊博、品德高尚、热爱生活的人，以实际行动回报他的无私奉献和辛勤付出。
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