chenxiachan/thoughtdag

Your thinking deserves a map: an infinite canvas where LLM conversations grow into an editable thought graph. Wires are the context.

해결하는 문제

ThoughtDAG는 선형 채팅 기록과 자동 RAG 시스템에서 관련 없거나 부정확한 정보(노이즈)가 모델의 컨텍스트에 남아 환각과 토큰 낭비를 초래하는 문제를 해결합니다. 사용자는 언어 모델이 특정 턴에서 보는 컨텍스트를 시각적으로 관리하고 정리하여 관련 정보만 전달되도록 할 수 있습니다.

작동 방식

이 프로젝트는 방향성 비순환 그래프(DAG)를 구현하며, 노드는 메시지, 자료, 결론을 나타내고 와이어(엣지)는 컨텍스트를 명시적으로 정의합니다. 특정 노드에 대한 모델의 입력은 해당 노드에 연결된 경로에 의해서만 결정됩니다. 사용자는 엣지를 삭제하여 노이즈를 제거하거나 여러 사고 경로를 단일 결론으로 병합할 수 있습니다.

대상 사용자

LLM 상호작용에서 높은 정밀도를 유지해야 하는 연구자, 개발자, 파워 유저. 여러 에이전트 세션(예: Claude Code, Codex, DeepSeek Harness)에 걸친 복잡한 조사를 관리하고 사고 과정을 시각적으로 매핑하려는 사용자를 위한 도구입니다.

주요 기능

편집 가능한 컨텍스트 캔버스: 대화 분기를 시각적으로 정리하거나 병합하여 모델 출력을 변경합니다.
세션 아틀라스: 다양한 로컬 에이전트의 대화를 통합하고 인덱싱하여 단일 편집 가능한 그래프로 만듭니다.
클리핑된 자료 통합: PDF나 파일을 읽고 선택한 구절에서 직접 질문할 수 있으며 출처 추적도 가능합니다.
컨텍스트 검색 CLI: 모든 로컬 에이전트 세션에서 특정 코드 언급이나 구문을 찾는 명령줄 도구.
DeepSeek Harness 플러그인: DeepSeek Harness 웹 UI에 시각적 컨텍스트 스위치로 직접 통합됩니다.
로컬 우선 프라이버시: Ollama를 통해 완전히 오프라인으로 실행할 수 있어 키와 문서를 사용자 머신에 유지합니다.