工具
ThoughtDAG：用可编辑上下文图替代线性对话历史
开发者发布 ThoughtDAG，把 LLM 对话历史外化为一张可编辑的有向图，让用户可控地增删哪些节点进入下一次请求。
2026.08.15 · 周六约 2 分钟阅读
ThoughtDAG 是一个面向长对话场景的 LLM 上下文管理工具。它的核心主张是：聊天界面只能展示「说过什么」，却隐藏了「哪些历史真正进入下一轮请求」。该工具把线性对话历史外化为一张可编辑的有向图（context graph），让用户能够显式选择、剪辑、连线哪些节点要送入模型。
问题：上下文不可见
在普通聊天产品里，开发者或高级用户往往无法直观判断某段历史（例如一段跑题闲聊、一段无关研究笔记）是否仍残留在请求中。ThoughtDAG 把这部分决策从模型内部搬到界面上：每一个节点都对应一段来源（如 PDF 第 7 页、一个被剪辑的段落、一个用户提问），节点之间的边表示「这段历史会进入下一次请求」。
工作方式
工具的关键操作包括：
- 从源节点发起提问：选中 PDF 或网页中的某一段落，把它作为独立节点提问，来源信息（source-linked）始终保留；
- 剪辑关键片段：把一段长文本剪成更短的引用节点，便于拼接；
- 预览即将发送的内容：在真正调用模型前，可以看到祖先节点列表与预计 token 数；
- 删除一条边，提问保持不变：删除某个分支与后续请求的连线后，重新发送同一问题，模型的回答会随上下文变化而变化，演示中 token 量从 1,284 降到 1,237。
与传统上下文方案的差异
相比 RAG 检索或自动摘要，ThoughtDAG 强调「人工可编辑、可审计、可复现」。它不替代检索，而是把上下文组装过程变成一张可视化图：
- 可见（visible）：每个节点都对应具体来源；
- 可编辑（editable）：用户可以增删节点、改边；
- 可检查（inspectable）：发送前能预览 ancestor 列表与 token 计数。
局限与待观察之处
作为 Show HN 项目，ThoughtDAG 目前没有公开的 benchmark、与现有 RAG 框架的对比数据，也没有工程化细节（如支持的模型、存储结构、API 形式）。其价值取决于实际体验——尤其是在长对话、分支较多的研究/写作场景中，是否真的比手动滚动历史或基于摘要的方法更高效，仍有待用户反馈验证。