检索增强生成（RAG）通过引入外部文档来提升大语言模型的事实性，但同时也引入了新的安全攻击面：恶意攻击者可以向知识库注入经过精心构造的对抗性文档，这些文档一旦被检索并进入上下文窗口，就可能引导模型输出特定的错误答案。现有的后检索防御手段，例如指令跟随、依赖参数化知识或基于文本一致性的校验，均存在被自适应攻击者模仿或针对优化的风险。本文提出 RAGSentinel——一种无需训练、无需标签的防御方法，适用于黑盒 RAG 系统。RAGSentinel 利用一个代理编码器来度量在给定查询条件下，检索文档所引发的隐藏状态偏移；通过移除共享的主题方向，它将有毒文档视为几何离群点，并基于鲁棒多数共识将其过滤掉。作者从理论上证明了：在诚实多数假设和表示层分离条件下，RAGSentinel 能够精确恢复无毒的多数规模上下文。实验覆盖三个问答数据集、三个大语言模型家族以及多种投毒攻击方式，结果显示 RAGSentinel 始终能够保持较低的攻击成功率，同时不损害正常的回答准确率；即使面对对整体流程完全知情的自适应攻击，该防御仍然有效。本文的核心贡献在于提出了一种可认证的、几何共识驱动的 RAG 防御框架，显著提升了对检索投毒攻击的韧性，且不依赖特定的模型内部结构，具有良好的可迁移性。适合关注大模型安全、检索增强系统防护和对抗机器学习的研究者与安全工程师阅读。