摘要：Google Research 关于 reasoning 激活参数知识的研究提醒我们：RAG 不会消失，但它会从“外挂大脑”升级为企业 AI 系统中的可信知识供给层。
Google Research 近日发布了一篇很值得关注的研究文章：《Thinking to Recall: How Reasoning Unlocks Parametric Knowledge in LLMs》。表面上看，这是一篇关于大模型“记忆能力”的技术论文；但如果放到企业 AI、知识库和智能体落地的背景下看，它讨论的其实是一个更关键的问题：未来企业到底应该继续堆 RAG，还是开始重新理解“知识”与“推理”的关系？
过去两年，企业做大模型应用，几乎都会走向同一条技术路线：先把内部文档、制度、标准、产品手册、项目资料、客户资料整理出来，切片、向量化、入库，再用 RAG 检索增强生成。这个路线本身没有问题。因为企业知识大多不在通用模型训练数据里，模型也不可能知道某家企业最新的产品参数、内部流程、项目纪要和客户合同。
但问题在于，很多企业把 RAG 当成了大模型落地的全部答案。只要回答不准，就继续加文档；只要查不到，就继续优化向量库；只要效果不好，就调切片、调 Prompt、调召回。结果是，知识库越建越大，检索链路越来越复杂，但真正可用的智能应用并没有同步变强。
Google 这篇研究的价值就在这里：它提醒我们，大模型并不是只有“外部检索”这一种获取知识的方式，推理本身也可能成为一种“激活知识”的机制。
Reasoning 可能会把模型“想不起来”的知识激活出来
Google Research 研究的核心问题很具体：大语言模型参数中本来就存储了大量知识，但为什么有些知识在普通问答中调用不出来？
研究人员发现，即使面对一些并不复杂、甚至是单跳事实性问题，只要开启 reasoning，模型也更容易回答正确。换句话说，并不是所有需要 reasoning 的问题都真的“逻辑复杂”；有些问题只是模型需要更多计算过程，把原本隐藏在参数中的知识“想起来”。
Google Research 博客明确指出，reasoning enabled 时，模型能够召回一些在 reasoning off 时几乎无法恢复的答案。这个提升并不只是因为模型拆解了复杂问题，因为研究特意关注了大量简单、单跳问题。
这背后有两个机制很关键。
第一个叫 computational buffer effect，可以理解为“计算缓冲区效应”。模型在生成推理 token 的过程中，获得了更多中间计算空间，即使这些中间文字本身未必都有语义价值，也能帮助模型逐步逼近正确答案。
第二个叫 factual priming，可以理解为“事实启动”或“语义引导”。模型在推理过程中先生成一些相关事实，这些事实会像桥梁一样，把最终答案从参数记忆里牵引出来。
论文摘要也明确提到，这项研究识别了 computational buffer 和 factual priming 两个机制，同时指出如果中间事实产生幻觉，最终答案的幻觉风险也会上升。也就是说，reasoning 不是魔法，它既可能激活知识，也可能放大错误线索。
企业知识系统的旧分工正在变得不够准确
这件事为什么重要？因为它改变了我们对企业知识系统的理解。
过去我们经常把模型与知识库简单分工：模型负责语言生成和推理，知识库负责事实记忆。这个分工在工程上很清楚，但从能力演化看，它正在变得不够准确。
未来的大模型可能并不是一个“空脑袋的语言接口”，只能依靠外部文档才能回答事实问题。它本身就带有大量参数知识，而且越强的 reasoning 能力，越能把这些知识调动起来。
但这并不意味着 RAG 要消失。恰恰相反，Google 这篇研究更应该让我们反对一种极端说法：RAG 已死。
RAG 不会死，因为企业私有知识、实时知识、流程知识和权限知识都不可能完全依赖模型参数。今天一家制造企业的产品 BOM、设备台账、质量记录、售后工单、工艺变更、项目合同，这些内容既是私有的，也是动态变化的，而且还涉及权限、安全和审计。这些知识不可能靠通用模型“想起来”，必须通过企业内部知识系统和业务系统提供。
真正会变化的是 RAG 的位置。过去很多人把 RAG 当成“外挂大脑”，未来它更可能成为企业 AI 系统中的“可信知识供给层”。
公共知识、通用规律、行业常识，可以越来越多地交给模型自身和 reasoning；企业私有知识、实时数据、合规约束、业务流程，则仍然需要 RAG、数据库、知识图谱、API 和权限系统来支撑。
也就是说，未来不是 RAG 被 reasoning 取代，而是 RAG 从“万能补丁”回到它本来应该承担的位置：提供可验证、可追溯、可更新、可授权的企业知识。
知识库不能只停留在“文档入库”
这对企业 AI 落地有一个直接启示：知识库建设不能只停留在“文档入库”。
很多企业现在建设知识库，主要工作是把 PDF、Word、PPT、网页、制度文件全部丢进向量库，然后期待模型回答问题。短期看，这样能做出一个问答机器人；长期看，它很难支撑复杂智能体。因为智能体要完成工作，不只是查一句话，而是要理解对象、关系、约束、流程和目标。
例如，一个工程智能体要完成某个零部件优化设计，它不能只回答“某个标准怎么写”。它需要理解产品结构、材料参数、工况条件、仿真模型、设计约束、成本目标、质量规则和审批流程。这里的知识不再是文档片段，而是一个可被推理、可被调用、可被执行的知识体系。
知识库如果仍然只是“文档检索”，就无法支撑这类任务。
因此，Google 这项研究给企业带来的真正信号，不是“少做 RAG”，而是“重新设计知识架构”。未来企业需要从 Knowledge Base 走向 Knowledge OS。前者强调“把知识存进去，让人或模型查”；后者强调“把知识组织成对象、关系、规则和能力，让 Agent 能够调用”。
这也是 AI-Ready Data 之后必然出现的下一个概念：AI-Ready Knowledge。
AI-Ready Data 解决的是数据能不能被模型使用的问题，比如数据是否完整、干净、结构化、可授权、可追溯。AI-Ready Knowledge 解决的是知识能不能被智能体理解和推理的问题，比如知识是否有边界、是否有来源、是否能关联业务对象、是否能转换为规则、是否能触发工具调用、是否能进入任务闭环。
前者是数据治理，后者是知识工程。
工业智能尤其需要 AI-Ready Knowledge
这对工业智能尤其重要。
制造业里的知识具有几个特点：一是高度专业，很多内容来自工程经验和现场实践；二是强约束，设计、工艺、质量、安全都不能随意发挥；三是多模态，图纸、表格、曲线、工单、照片、仿真结果同时存在；四是强流程，知识不是孤立答案，而是嵌在研发、制造、运维和售后链条里。
这样的知识体系，单靠传统 RAG 很难真正用起来，必须结合 reasoning、知识图谱、工具调用和业务系统。
举一个场景。一个设备故障诊断 Agent 接到问题：“某型号泵在高温工况下振动异常，最近两周能耗升高，是否可能与轴承磨损有关？”
如果只是 RAG，它可能检索维修手册和历史案例，然后拼接答案。但真正有价值的智能体应该进一步分析运行曲线、对比历史工况、读取传感器数据、关联同型号设备案例、调用仿真或诊断模型，并输出可验证的判断路径。
这里面既需要外部知识，也需要 reasoning。没有知识，推理会空转；没有推理，知识只是一堆材料。
这也是为什么未来企业 AI 的竞争，不只是“谁的模型更强”，也不是“谁的知识库更大”，而是谁能把模型、知识、工具和流程组织成一个可执行系统。
Google 的研究让我们看到，模型的内部知识召回能力正在提升；但企业真正要做的，是把外部知识也变成模型和 Agent 能够可靠使用的基础设施。
RAG 的未来不是消失，而是升级
从这个角度看，RAG 的未来不是消失，而是升级。
第一代 RAG 是文档问答，核心是“找到相关片段”。第二代 RAG 是企业知识助手，核心是“基于权限和来源给出可信回答”。第三代 RAG 则会进入 Agentic RAG 阶段，核心是“在任务执行过程中动态调用知识、数据和工具”。
Google Research 近期也在讨论 Gemini Enterprise Agent Platform 中的 Agentic RAG。它指出，传统单步 RAG 难以处理现代企业工作流里的多来源、多跳问题；Agentic RAG 则通过规划、推理、迭代检索和上下文充分性判断，持续寻找足够信息，再生成更可靠的回答。
这说明大厂也在把 RAG 从问答系统推向智能体任务系统。
所以，这篇 Google Research 论文最值得写的地方，不在于它提出了一个耸动结论，而在于它提醒我们：Reasoning 正在改变大模型使用知识的方式。
过去我们认为“知识在外部，模型只负责生成”；现在需要承认，“模型内部也有知识，推理可以激活知识”。但同时，企业私有知识仍然必须通过可信系统提供。未来真正有效的企业 AI 架构，应该是内部参数知识、外部企业知识、实时业务数据和工具执行能力的组合。
对于做工业智能、数字工匠、企业 Agent 的团队来说，这个趋势非常关键。未来产品不能只做“上传文档问答”，也不能只追求接入更多模型，而要把行业知识组织成可推理、可调用、可闭环的能力栈。谁能把工程知识、业务流程、数据对象和智能体执行结合起来，谁就更接近真正的工业智能基础设施。
一句话总结：Reasoning 不会简单取代 RAG，但会重塑 RAG。企业知识库也不会消失，但它必须从“文档仓库”升级为“智能体可用的知识系统”。这才是 Google 这篇研究对企业 AI 落地真正有价值的启示。
参考资料
-
Google Research：Thinking to recall: How reasoning unlocks parametric knowledge in LLMs，2026-06-24
https://research.google/blog/thinking-to-recall-how-reasoning-unlocks-parametric-knowledge-in-llms/ -
arXiv：Thinking to Recall: How Reasoning Unlocks Parametric Knowledge in LLMs，2026-03-10
https://arxiv.org/abs/2603.09906 -
Google Research：Unlocking dependable responses with Gemini Enterprise Agent Platform’s Agentic RAG，2026-06-05
https://research.google/blog/unlocking-dependable-responses-with-gemini-enterprise-agent-platforms-agentic-rag/ -
Google Cloud：Gemini Enterprise Agent Platform
https://cloud.google.com/products/gemini-enterprise-agent-platform