该论文旨在解决检索增强生成(Retrieval-Augmented Generation, RAG)系统中因引入外部知识访问而带来的新型安全风险。研究背景是现有研究往往将大型语言模型(Large Language Models, LLMs)的固有风险与RAG系统特有的风险混为一谈，缺乏一个清晰的分析框架来专门界定和应对RAG引入的安全威胁。
论文采用了系统性的分类学(taxonomy)构建与文献综述方法。具体步骤包括：
- 提出核心观点：安全RAG的本质在于保障外部知识访问管道(知识访问管道)的安全。
- 建立一个操作边界(operational boundary)，以区分LLM固有缺陷与RAG引入或RAG放大的威胁。
- 将RAG工作流程抽象为六个阶段，并围绕三个信任边界(trust boundaries)和四个主要安全面(security surfaces)组织现有文献。这四个安全面包括：检索前知识污染(pre-retrieval knowledge corruption)、检索时访问操纵(retrieval-time access manipulation)、下游上下文利用(downstream context exploitation)和知识泄露(knowledge exfiltration)。
- 系统性地回顾了对应的攻击、防御、修复机制和评估基准(benchmarks)。
论文的核心创新点在于提出了一个专门针对RAG系统安全性的、以知识访问管道为中心的分析框架，其独特之处在于：
- **概念创新**：首次明确提出“安全RAG的核心是外部知识访问管道的安全”这一根本性观点，并据此建立了清晰的操作边界，将RAG特有的安全威胁与LLM的通用风险有效分离。
- **框架创新**：构建了一个结构化的、分阶段的安全分类学。通过抽象RAG工作流为六个阶段，并识别出三个信任边界和四个核心攻击面，为系统化地理解、分类和应对RAG安全威胁提供了统一的“地图”。
- **视角创新**：从整个知识访问生命周期(knowledge-access lifecycle)的视角审视安全问题，揭示了现有防御措施多为被动和碎片化的现状，从而指明了未来需要分层、边界感知(boundary-aware)的整体防护方向。
论文对该领域的整体贡献包括：
- **理论贡献**：为RAG安全研究领域提供了一个清晰、系统化的概念框架和分类学，统一了零散的研究发现，明确了RAG特有安全问题的研究范围。
- **综述贡献**：对现有攻击、防御、评估工作进行了全面的系统性梳理和总结，帮助研究者和实践者快速把握领域现状。
- **洞察贡献**：批判性地指出当前防御措施的局限（被动、碎片化），并基于提出的框架，指明了未来研究方向，即朝着覆盖整个知识访问生命周期的、分层的、边界感知的防护体系发展，对推动该领域向更主动、更系统的安全解决方案迈进具有指导意义。