本文研究 LLM 智能体（Agent）在使用基于知识的工具（如文件、数据库、搜索索引）时面临的一类新型安全风险：工具介导的知识提取（tool-mediated knowledge extraction）。当 Agent 为了回答用户提问调用目标工具并获得源内容后，攻击者只需通过精心构造的查询序列，就可能从 Agent 的输出中逐步重建目标工具背后的完整知识源，造成数据泄露。作者指出工具调用环节存在两个核心挑战：一是工具选择不确定性，Agent 可能根据模糊查询调用竞争工具而非目标工具，影响提取效率；二是工具参数压缩，Agent 生成调用参数时会丢失细粒度查询信息，导致提取不完整。针对上述挑战，作者提出 ToolSiphon——一种仅基于查询交互的黑盒提取攻击方法，包含两个互补信号：目标判别信号通过“工具对比分析”不断修正查询方向，使其更多落在目标工具上；响应支撑事实信号通过“证据链反馈”利用上下文中的事实信息缓解参数压缩，并逐步扩大提取覆盖面。实验覆盖三类基于知识的工具和六个领域数据集，结果表明：在提供非目标工具粗粒度信息时，ToolSiphon 平均可恢复 74.3% 的源记录（文本恢复率 83.2%，语义相似度 90.2%）；即便没有该信息也能恢复 66.3% 的源记录。此外，该方法对代表性防御措施仍然有效，并在三个真实智能体平台上得到了验证。该工作首次系统性地刻画了工具调用引起的知识提取风险，为 LLM Agent 的安全设计提供了重要警示。