chenxiachan/thoughtdag

解決的問題

ThoughtDAG解決了線性聊天歷史和自動RAG系統中無關或錯誤資訊（雜訊）持續存在於模型上下文，導致幻覺和浪費token的問題。它允許使用者直觀地管理和修剪語言模型在任意輪次中看到的上下文，確保只有相關資訊被傳遞。

運作方式

該專案實現了一個有向無環圖（DAG），其中節點代表訊息、材料或結論，連線（邊）明確定義上下文。模型對特定節點的輸入僅由連接到該節點的路徑決定。使用者可以刪除邊以去除雜訊，或將多條思路路徑合併為單一結論。

適用對象

需要在LLM互動中保持高精度的研究人員、開發者和進階使用者，他們需要管理跨多個代理工作階段（例如Claude Code、Codex、DeepSeek Harness）的複雜調查，並直觀地映射自己的思考過程。

亮點

• 可編輯的上下文畫布：直觀地修剪或合併對話分支以改變模型輸出。
• 工作階段圖譜：將來自各種本地代理的對話整合並索引到單一可編輯的圖中。
• 剪貼材料整合：讀取PDF或檔案，直接從選取的段落提問，並帶有來源追蹤。
• 上下文搜尋CLI：一個命令列工具，用於在所有本地代理工作階段中尋找特定的程式碼提及或片語。
• DeepSeek Harness外掛：直接整合到DeepSeek Harness Web UI中，作為視覺化上下文切換器。
• 本地優先隱私：可透過Ollama完全離線執行，將金鑰和文件保留在使用者機器上。