企业官网建设流程全解析

### 主要内容
1. **背景与动机**：大语言模型（LLMs）应用广泛但存在知识过时和幻觉问题，检索增强生成（RAG）结合外部检索系统可解决这些问题，但现有针对RAG - 基于LLMs的攻击方法存在效率低、易被检测、缺乏理论框架等问题。本文提出协调Prompt - RAG攻击（PR - attack），通过在知识库注入少量中毒文本并在提示中嵌入后门触发器，实现更有效和隐蔽的攻击。
2. **相关工作**：介绍LLMs的安全攻击分类，包括提示攻击和对抗攻击，以及双层优化在机器学习领域的应用。
3. **方法**：定义威胁模型，将PR - attack问题表述为双层优化问题，并通过修改模型克服优化挑战。提出交替优化方法，分别优化中毒文本和软提示，并对方法进行复杂度分析。
4. **实验**：使用三个问答数据集和六个LLMs评估PR - attack，与现有攻击方法对比。结果表明PR - attack攻击成功率高、隐蔽性好、适用性广，且对中毒文本和软提示的参数选择不敏感。

### 创新点
1. **新攻击范式**：提出PR - attack，同时操纵知识库和提示，在保持高隐蔽性的同时实现卓越攻击性能。
2. **双层优化视角**：将PR - attack表述为双层优化问题，提出具有理论复杂度保证的交替优化方法。
3. **实验验证**：通过大量实验证明PR - attack在多种LLMs和数据集上具有高效性、高隐蔽性和广泛适用性。

### 翻译内容
1. **摘要**：大语言模型（LLMs）在广泛的应用领域展现出卓越的性能，如医疗问答、数学科学和代码生成等。然而，它们也存在固有的局限性，例如知识过时和易产生幻觉。检索增强生成（RAG）已成为解决这些问题的一种有前景的范式，但它也引入了新的漏洞