一、文章主要内容总结本文聚焦基于图的检索增强生成（GraphRAG）系统的安全漏洞，提出两种知识投毒攻击（Knowledge Poisoning Attacks, KPAs），并验证了其有效性及现有防御机制的缺陷，具体内容如下：GraphRAG背景：GraphRAG通过将原始文本转换为结构化知识图提升大语言模型（LLMs）的准确性和可解释性，但依赖LLMs从文本中提取知识，存在被恶意操纵的风险。攻击方法：针对性知识投毒攻击（TKPA）：利用图论分析定位知识图中的脆弱节点，通过LLM重写对应文本，实现对特定问答（QA）结果的精准控制，成功率达93.1%，且修改文本占比低于0.06%，保持流畅自然。通用性知识投毒攻击（UKPA）：利用代词、依存关系等语言线索，通过修改全局影响词破坏知识图的结构完整性，仅修改0.05%以下的文本即可使QA准确率从95%降至50%。实验验证：在多个真实数据集（如《小王子》、2007-2008金融危机维基页面等）上的实验表明，两种攻击均能高效生效，且现有主流防御方法（如基于困惑度的过滤器、LLM污染检测器）无法检测，凸显GraphRAG安全防护的空白。二、创新点识别新攻击面：揭示GraphRAG中“仅修改现有文本而非添加新内容”的攻击可能