ThoughtDAG

思考值得一张地图
连线即上下文

ThoughtDAG 是开源的 AI 对话画布,让模型的上下文看得见、改得动、测得出。

向下滚动

聊天记录里,看不见上下文。
图就是上下文。
线性聊天
可编辑的上下文图
同一个问题 · 不同的上下文
AI 对话 87 条消息
帮我比较三种研究路线。
先从第一条开始,它的优点是……
如果核心假设不成立呢?
可以考虑另一种解释……
顺便问,晚饭吃什么?
附近有一家新开的餐厅。

聊天都在这里,可下一次到底会带上哪些内容?

research-paper.pdfp.7

实验结果

这个效应只在实验条件下出现。
从原文中选中
摘出的段落research-paper.pdf · p.7

这个效应只在实验条件下出现

保留出处 · 尚未连入
从原文追问research-paper.pdf · p.7

这段证据究竟意味着什么?

原文已进入上下文
无关分支岔路

今晚吃什么?

这段对话不该进入研究总结。

仍在上下文中
混入闲聊的总结 3 个来源

研究总结……另外,晚饭可以吃火锅。

问题没变,混进来的上下文却改变了答案。

混入无关分支
将发送给模型1,284 tokens

生成前,先看看模型会读到什么

这次会带上:

研究问题 证据 A 晚饭话题

删掉橙色连线后:减少 47 tokens

上下文变化−47 tok

晚饭话题已移出上下文

同一个问题 · 再生成一次
同一个问题再问一次

请用要点总结

问题一字未改,只有一条连线变了。

上下文可复现
更新后的回答 2 个来源

要点一:记录数据库版本。要点二:双人独立筛选。要点三:冲突由第三人仲裁。

回答里不再出现无关的晚饭建议。

答案已更新
一条规则ThoughtDAG

连线即上下文

不必把上下文筛选交给藏在系统里的黑盒。模型看到了什么、为什么会看到、哪些内容被删掉,图上都清清楚楚。

可见 可编辑 可追溯
01 · 困境

聊天越聊越长,上下文反而越来越模糊。

界面记下了说过的话,却没告诉你:下一次,究竟哪些内容会发给模型。

02 · 展开

从原文直接追问,
也把重要的摘到画布。

选中原文就能直接追问,也能把文字或图像摘成带出处的独立节点。出处会保留,是否进入上下文仍由你连线决定。

03 · 检查

生成之前,先看清模型的上下文。

来源、顺序和 token 用量一目了然。上下文不再由系统悄悄决定。

04 · 编辑

剪掉一条线。
同一个问题,
再问一次。

这条分支会真正退出上下文;问题没变,答案会随着上下文改变。

05 · 上下文协议

很多画布只是在整理信息。ThoughtDAG 让你直接编辑模型的上下文。

什么进入,什么退出,由你决定。图不是回答生成后的装饰,而是生成前的上下文协议。

1 / 5 Invisible context

从需要的这一层开始

让 Agent 检索历史、在 Harness 中使用画布,或打开独立应用。选适合你的一种开始。

CLI + 只读 MCP

跨已支持的 Agent 检索对话,并让 Agent 直接调用查询工具;无需安装桌面版。

CLI 与 MCP 手册 →
npm install -g thoughtdag thoughtdag setup mcp

已经在用 DeepSeek Harness?

把思维图接入网页界面,使用 Harness 模型、执行 Agent 轮次,并在 Atlas 中探索会话。无需另装 ThoughtDAG 应用或 CLI。

安装与使用手册 → 每个 Release 附带插件文件(.tgz),同一条命令可直接装它的链接 →
dsh plugin --profile web add dsh-thoughtdag dsh web

完整可视化应用 · Agent 对话地图、画布与文件阅读器

同一个应用装进独立窗口,内置本地引擎。不需要 Node,不需要终端。

v0.5.27
macOS Apple Silicon
通过 Homebrew 安装 brew install --cask thoughtdag
下载 .dmg
≈143MB
Intel 芯片版
Windows x64
下载安装程序
≈121MB
Linux x64
下载 .AppImage
≈150MB
安装说明
macOS 版已由 Apple 签名与公证,双击即可打开。Windows 版暂未签名,弹出提示时点「更多信息」,再点「仍要运行」。

全部版本与历史在 GitHub Releases。

研究系列

打开 Agent 和模型之间的上下文黑箱

模型下一步的回答取决于它这一轮读到的上下文。以下两篇研究报告和一项合作分别测量并呈现这份上下文,方法、数据和脚本全部公开。

  1. 2026 年 10 月研究报告

    Agent 一轮的 token 去了哪里

    Agent 每一轮除了回答,还会产生工具调用、工具结果和思考,这些内容可能进入下一轮的上下文。本笔记统计了作者一个月内的 3,237 轮 Agent 对话:在 Claude Code、Codex 和 DeepSeek Harness 上,最终回答只占一轮 token 的 1% 到 7%,工具调用及其结果占 42% 到 95%,思考占 4% 到 53%;其中 Claude Code 和 DeepSeek Harness 会把上一轮的思考保留在下一轮的提示里。据此,ThoughtDAG 为每一轮的工具记录设置了单独的开关,默认不传给下一轮。

  2. 2026 年 8 月研究报告 · 试点 v2

    上下文修复:一句错话怎样污染后面的对话

    多轮对话里,一条错误陈述进入上下文后,后续回答会以它为前提继续生成,形成上下文污染;只删掉这条错误,它的影响仍可能留在下游的回答里。本试点在 9 个模型端点上比较了三种修复方式。在 162 个被带偏的结果(18 个案例 × 9 个端点)中,只删除错误源头修复 152 个,按依赖顺序重算下游修复 161 个,删除整个受污染子图修复全部 162 个。ThoughtDAG 支持后两种操作。

  3. 2026 年 10 月起合作

    TraceVista

    Agent 运行一次会留下大量步骤记录,人很难从中看出它做了什么、依据是什么。TraceVista 把 Agent 工作流画成可逐层展开的地图,从全貌一直到每一步动作及其原始记录;对一次运行提问时,回答链回它所依据的记录。阅读层沿用了 ThoughtDAG 的缩放摘要。

    与 @Superone77 等合作 · 阅读层与对图提问由 Xia Chen 负责

全部研究、数据与引用 →

开始前,先说清三件事

能不删聊天记录,只移除上下文吗?

可以。删除连线会移除进入后续请求的那条路线,节点仍然保留。还要检查其他路径、附件和回忆条目;已有回答需要编辑或重新生成,才会改变。

非线性思考,具体怎么用在 AI 对话里?

把不同问题放到各自的支线上,在画布里比较,再把选中的发现接到新的后续问题。支线会继承上游对话路径;选中一句话追问,不代表模型只会看到这句话。

过去所有聊天都会自动出现吗?

不会。桌面版索引的是已经接入、受支持的本地记录,不能恢复未保存的历史,也不会自动读取只存在于网页账号里的聊天。使用远程模型时,请求中包含的材料会发送给对应服务。

ThoughtDAG 怎么决定模型读到什么?

它沿着连入节点的边,找到并排列相关的上游内容,再把它们组成发送给模型的消息。显式引用和开启的回忆还会补充材料。发送前可以预览这次请求,看到每个来源、顺序和 token 用量。