chenxiachan/thoughtdag

解决的问题

ThoughtDAG解决了线性聊天历史和自动RAG系统中无关或错误信息（噪声）持续存在于模型上下文，导致幻觉和浪费token的问题。它允许用户直观地管理和修剪语言模型在任意轮次中看到的上下文，确保只有相关信息被传递。

工作原理

该项目实现了一个有向无环图（DAG），其中节点代表消息、材料或结论，连线（边）明确定义上下文。模型对特定节点的输入仅由连接到该节点的路径决定。用户可以删除边以去除噪声，或将多条思路路径合并为单一结论。

适用人群

需要在LLM交互中保持高精度的研究人员、开发者和高级用户，他们需要管理跨多个代理会话（例如Claude Code、Codex、DeepSeek Harness）的复杂调查，并直观地映射自己的思考过程。

亮点

• 可编辑的上下文画布：直观地修剪或合并对话分支以改变模型输出。
• 会话图谱：将来自各种本地代理的对话整合并索引到单个可编辑的图中。
• 剪贴材料集成：读取PDF或文件，直接从选中的段落提问，并带有来源追踪。
• 上下文搜索CLI：一个命令行工具，用于在所有本地代理会话中查找特定的代码提及或短语。
• DeepSeek Harness插件：直接集成到DeepSeek Harness Web UI中，作为可视化上下文切换器。
• 本地优先隐私：可通过Ollama完全离线运行，将密钥和文档保留在用户机器上。