该论文关注的是一种此前被忽视的攻击面：GraphRAG（图增强检索生成）流水线在离线索引阶段会生成大量「辅助结构」，包括语义摘要、层级边以及预计算的评分/排序结果，这些产物并不属于原始知识图谱的实例数据，却在查询时直接决定检索的优先级与召回路径。作者指出，既有针对 GraphRAG 的攻击研究几乎全部聚焦于实例级组件（节点、边、三元组）的投毒或篡改，而系统自动生成的「模式层/辅助层」实体长期处于无人审视的状态。论文首先将这类对象形式化为一个新的攻击面——Auxiliary Schema-Level Entity（辅助模式层实体），并提出 3S 框架（Semantics 语义、Structure 结构、Scoring 评分）来系统化地分析其可被操纵的三个维度。在此基础上，作者设计了 Hop-Decayed Influence（HDI）方法：通过查询感知的影响力传播来定位对下游问答影响最大的高价值目标，并在索引完成之后（post-indexing）对这些目标的辅助结构进行篡改。实验覆盖两个基准数据集（HotpotQA、2WikiMultiHopQA）与两种架构（Microsoft GraphRAG、HippoRAG2），报告的攻击成功率在 88%–94% 之间，而实际被修改的辅助结构占比低至 0.016%。作者提出 Schema Leverage Ratio 来衡量放大效应：单次修改平均可影响多达 6.00 个查询，形成实例级攻击不具备的 1:N 放大能力。此外，由于被篡改的内容本身就是系统生成的、语言上连贯自然的产物，它们能够以超过 99% 的比例规避基于困惑度（perplexity）与改写（paraphrase）的检测手段。论文的核心结论是：当前 GraphRAG 防御体系对辅助模式层实体给予了未经运行时验证的隐式信任，构成一个结构性盲区；作者同时公开了一个代码仓库以支撑后续研究复现。

本文针对安全运营中一个长期存在的痛点：当安全研究员发布网络攻击报告后，检测工程师需要将其转化为可用的检测规则。然而，现有自动化方法大多只能从报告中提取最浅层的威胁指标（如恶意IP、域名、文件哈希）并生成封禁列表，这种策略极易被攻击者通过更换基础设施绕过，导致检测规则很快失效。安全社区用“痛苦金字塔”（Pyramid of Pain）来描述这一现象：越往塔顶的指标（如TTP、工具、行为特征）越难改变，也就越有检测价值。该研究提出将微软GraphRAG（一种基于知识图谱的检索增强生成系统）而非传统向量相似度检索（Naive RAG）用于CTI报告的处理，以生成更依赖高层级、持久性指标的检测计划。实验中，两个系统使用相同的报告、相同的生成指令和相同的语言模型，仅检索方式不同。在一份APT28报告的详细案例研究中，GraphRAG生成的计划在所有IP、域名和文件哈希都被轮换后仍能保持100%的检测触发率，而Naive RAG仅剩29%。随后对四家厂商的九份真实CTI报告进行重复比较，验证了相同模式：GraphRAG生成的计划在痛苦金字塔上达到更高、更难绕过的层级，即使两者总分接近。研究结论认为，知识图谱感知的检索可作为自动生成SOC可部署狩猎计划的架构正确基础，同时提示生成提示词的措辞与检索后端几乎同等重要。本文适合检测工程、威胁情报分析、SOC自动化平台研发人员阅读，尤其对关注LLM+RAG在安全运营落地效果的团队具有参考价值。