该论文针对检索增强生成（RAG）系统中存在的向量中心（hubness）投毒风险提出了一种轻量级的准入时防御方法。在RAG中，少量文档可能成为大量查询的最近邻，这种“中心”现象使得攻击者可以通过注入一份恶意文档影响多个不相关请求的回答，构成数据投毒攻击。现有防御依赖于周期性的逆k近邻扫描，存在暴露窗口且需要重复扫描整个语料库，效率较低。作者研究了在文档插入阶段进行控制的方法：通过一组哨兵查询（sentinel queries）对每个待插入文档进行评分，隔离那些具有中心化特征的文档，从而在写入前阻断潜在投毒。在包含10万文档的两个语料库上，使用五种不同编码器，并在攻击者和防御者查询集不重叠的条件下，全局门控（global gate）在关键嵌入空间点达到召回率1.0（有效范围内≥0.92），对HotFlip攻击的召回率为0.91±0.07，对常规文档的误报率仅1%。按主题的局部门控（per-topic gate）则无可靠收益，这与各向异性耦合局部与全局可见性一致。阈值通过增量方式维护，插入成本与语料库规模无关，删除成本摊还。在HNSW索引上，准入控制使摄取延迟增加约3.1%，评分延迟在向量数达到百万级时仍保持平稳，近似索引导致的决策翻转仅占1.2%且不涉及攻击。论文还指出，对于自然或紧密领域的中心，溯源（provenance）可作为门控的补充。本研究适合RAG系统开发者、检索系统安全研究人员以及关注AI供应链安全的从业者阅读。