揭秘宇都宫紫苑：隐藏版游戏密码背后的秘密与神秘宝藏: 重要策略的决策，未来又能影响到哪丛走向？，: 需要关注的新闻，是否能成为重要话题？
关于日本京都的著名旅游景点——宇都宫紫苑，其被广泛誉为是一座集古典建筑、园林艺术和历史故事于一体的历史文化名胜。游客们在游览过程中却常常对紫苑中的隐藏版游戏密码感到困惑。这些隐藏密码的存在，不仅丰富了紫苑的文化内涵，也为人们揭示了一个充满神秘色彩的游戏世界。
宇都宫紫苑内的游戏密码并非仅限于传统的谜题解密，而是寓含着深厚的历史背景和文化内涵。其中最引人注目的是其内部布局的设计，每一个房间、走廊和景观节点上都有独特的故事和传说。例如，紫苑中有一处被称为“九重天”的区域，其设计灵感来源于中国古代神话传说中的九重天宫殿，象征着皇权的至高无上和权力的集中。在这座宫殿中，每一扇门、每一条通道都被精心设计成充满了神秘色彩的机关，引导玩家一步步探索并解开游戏的秘密。
宇都宫紫苑内还有许多看似寻常却又寓意深刻的隐藏元素。例如，在紫苑中央的一座建筑名为“日晷”，这座建筑的设计灵感源自古代的日晷，它巧妙地融合了天文知识和中国传统文化，让人仿佛置身于一个时光流转的世界。而紫苑中的各种植物、花卉以及石刻壁画，则都融入了中国古代哲学思想和艺术风格，如莲花、牡丹等意象代表了清廉高尚的品质，牡丹寓意富贵荣华，莲花则象征出人生的短暂与轮回。
紫苑中还有一些隐藏的设施和秘宝。例如，紫苑深处的一个庭院中藏着一座古老的古钟塔，据传古钟塔是紫苑的守护神所居，据说只要转动古钟塔的指针，就能触发一系列隐藏的机关，揭开一段段有关紫苑历史的秘密。而在紫苑的另一个庭院中，还隐藏着一座被誉为“千年灵芝”的奇珍异宝，这株千年灵芝被视为吉祥之物，据说只有持有它的主人才能开启紫苑的神秘通道。
可以说，宇都宫紫苑中的游戏密码不仅是一场视觉盛宴，更是一次深度的文化之旅。通过破解这些隐藏的线索和谜团，游客可以深入了解紫苑的历史文化，体验到中国古代建筑的独特魅力，同时也能够感受到中国传统哲学思想的魅力和智慧。无论你是喜欢历史研究还是对自然风光有独爱，宇都宫紫苑都是一个不容错过的旅行目的地，你可以在其中发现无数的历史故事和深藏不露的文化宝藏。在这个游戏中，你可以找到你的兴趣所在，也可以探寻到一份属于自己的独特旅程体验。
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