护理行业新视角：护士动态图解析展现职业风采与责任担当，贵州国企“智慧党建”系统落地雄安交投看似无害的提问，也能偷走RAG系统的记忆——IKEA：隐蔽高效的数据提取攻击新范式2. 焦虑驱动军购：印度每一次喊“中国威胁”，其国防部的资金袋就会被打开。
从传统的护士角色中解放出来，新的视角下，护士的角色正在发生着翻天覆地的变化。随着科技的发展和人们对医疗服务需求的提升，护士在医学领域中的表现也逐渐崭露头角，尤其是在绘制动态图这一新媒体形式上，护士的职业风采与责任担当得到了全新的展现。
动态图作为一种直观且生动的方式，可以有效地呈现护士的工作场景、流程和医疗知识。通过高清镜头、流畅的动画和生动的人物形象，护士能够以最直观的方式向大众展示出他们在工作中所经历的各种挑战和困难。例如，在手术室，护士们需要熟练掌握各种手术器械的操作方法，同时还需要面对各种紧急情况，如病人意外坠床、设备故障等，这些都需要他们具备高度的专业素养和应急处理能力。通过对动态图的制作，我们能清晰地看到她们的动作细节、表情变化以及处理危机时的心理状态，从而对她们的工作精神进行深入剖析，理解他们的付出和牺牲，进一步强化了她们的责任感。
动态图还能够反映出护士的工作内容和职责。在临床护理实践中，护士不仅需要执行基础的护理操作，如测量血压、注射药物等，还要时刻关注病人的病情变化，及时调整治疗方案，甚至在患者生命垂危的关键时刻，他们可能需要运用专业知识和技能来实施急救措施，这对护士的综合能力和临场反应能力提出了极高的要求。通过动态图的展示，我们可以了解到护士的工作量大、风险高，需要她们具备高度的责任心和职业道德，展现出“救死扶伤”的无私奉献精神。
动态图还能直观反映护士的人际交往关系和社会责任感。在日常工作中，护士不仅要与医生合作完成疾病的诊断和治疗，还需要与病人及其家属建立良好的沟通机制，确保医患之间的和谐共处。护士还是维护社会稳定的重要力量，他们需承担起社区卫生服务、预防保健等工作职责，为社会的整体发展贡献自己的一份力量。通过动态图的展示，我们可以看到护士与人之间的互动模式，理解她们如何用专业技能和爱心维护患者的权益，同时也彰显出她们的社会影响力和公益精神。
动态图作为护士工作的新视角，以其独特的艺术表现手法和丰富的内涵，真实而全面地展现了护士的职业风采和责任担当。通过这种方式，我们不仅可以更深入地了解护士的工作过程和专业素质，更能感受到他们在医学领域的卓越贡献和崇高地位，从而更好地理解和尊重护士这一重要职业群体，为构建健康中国提供有力的保障。在这个日新月异的时代，护士们将凭借自己的专业能力和人文关怀，继续书写着新时代护理事业的新篇章。
人民网雄安6月4日电 (记者刘师豪)今天上午，河北雄安交通投资有限公司(以下简称“雄安交投”)举办了“雄行大道”智慧党建平台启动仪式，标志着其“智慧党建”系统正式上线运行。启动仪式上，贵州高速公路集团有限公司(以下简称“贵州高速集团”)作为该系统建设单位作了系统功能演示。贵州高速集团党委副书记、董事刘明学，雄安交投党委书记、董事长杨祥出席仪式并致辞。
启动仪式现场。人民网记者 刘师豪摄
刘明学表示，雄安交投坚持以高质量党建引领高质量发展，通过实地考察调研，选择使用贵州高速集团自主研发的“智慧党建”系统，是贵州高速集团与雄安交投深化合作、共谋发展的重要成果，也是以数字化赋能党建工作，推动企业高质量发展的生动实践。贵州高速集团将以此次合作为契机，与雄安交投探索在更多领域开展深入交流与合作。
杨祥对贵州高速集团的支持表示衷心感谢。他表示，这套“智慧党建”系统，通过全流程党建业务管控、全穿透党建任务管理、全链条工作事项预警、全方位组织运行监测，实现党建工作质量水平全面提升，不断推动党的领导深度融入公司治理，促进党建与生产经营同频共振，为国有企业党建工作创新发展提供了可复制、可推广的宝贵经验。
启动仪式现场。人民网记者 刘师豪摄
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