Wolfram 提出 CAG 概念，欲成 LLM 计算地基
Stephen Wolfram 宣布将 Wolfram Language 作为 LLM 的基础工具，提出计算增强生成概念，旨在为语言模型提供实时精确计算能力。然而，其闭源生态、训练数据缺失以及与成熟 Python...
大型语言模型在诸多领域表现出色，但在精确计算方面存在根本性局限。语言模型基于概率预测，难以保证数学结果的绝对正确性。针对这一痛点，Stephen Wolfram 近期提出将 Wolfram Language 及其计算能力作为大型语言模型的基础工具，旨在通过实时计算来增强模型的生成能力。
核心内容
Wolfram 将这一方案称为计算增强生成，其核心思想是让语言模型能够实时调用外部的精确计算系统，并将结果融入生成过程。从产品层面，Wolfram 提供了多种接入方式，包括 MCP 服务、Agent One API 以及细粒度的 CAG 组件 API。
然而，社区对此反应不一。有用户实践后发现，许多任务通过 Python 结合现有工具即可完成，且 Wolfram 方案的性能有时更慢、结果更差。一个重要原因在于，Wolfram Language 的代码大多存储于个人环境，并未像 Python 代码那样广泛存在于 GitHub 等公开代码库中，导致大型语言模型缺乏足够的训练数据来熟练掌握它。
此外，有技术观点指出，Wolfram 的计算代数系统本身在函数定义域、多值函数分支选取等底层细节上也可能存在非形式化正确的问题。关于 CAG 概念本身，也有评论认为，许多数学知识可以直接通过微调注入模型，未必需要专门设计一个中间层。
价值与影响
Wolfram 的尝试凸显了为语言模型集成可靠计算能力的需求。但其面临的核心挑战在于生态位。Python 凭借其开源特性和在训练数据中的广泛存在，已成为人工智能领域事实上的基础设施。闭源系统在数据可及性和社区渗透力上存在天然劣势，这在 AI 时代尤为明显。历史已有先例，如 NumPy 等开源工具对 MATLAB 市场份额的挤压。
目前，社区中已有尝试通过 WebAssembly 运行沙盒化开源 Wolfram Language 解释器的项目。Wolfram 此次发布引发的讨论，不仅关乎其技术方案的可行性，更触及了在现有成熟生态下，一个闭源工具能否真正扮演“地基”角色的深层问题。基础设施的本质在于低摩擦和高渗透，这与封闭系统固有的商业模式存在张力。
