▶ 观看 33 秒介绍

它能做什么

• 编辑上下文。 连线决定哪些对话路径进入下一问。断开一条路径，它的节点仍留在画布上。发送前可以预览这次请求。
• 从读到的内容展开。 选中回答、PDF、图片或网页里的一段话就能追问，也能把它连同出处摘成独立节点。
• 接着以前的工作。 把本机的 Claude Code、Codex、DeepSeek Harness 和 Pi 会话打开成图。回忆功能把相关的历史讨论带进新问题，可选的 Jev 判断层负责给片段排序。

开始使用

使用方式	从这里开始
桌面版（macOS、Windows、Linux）	brew install --cask thoughtdag，或下载安装包
DeepSeek Harness 插件	dsh plugin --profile web add dsh-thoughtdag · 插件说明
给 Agent 用的 CLI 与只读 MCP	npx thoughtdag why src/lib/api.ts · CLI 说明
从源码运行	npm install，再运行 npm run server 和 npm run dev · 配置说明

在线体验可以打开示例画布，不需要 API key。本机会话和回忆功能需要桌面版或本地运行。

研究

模型下一步的回答取决于它这一轮读到的上下文，其中包括工具输出、思考和前几轮留下的内容。下面的报告测量这份上下文，ThoughtDAG 让它可以编辑。方法、数据和脚本全部公开。全部研究 →

研究	结果
Agent 一轮的 token 去了哪里 · 2026 年 10 月 报告 · English	3,237 轮里，最后给人读的回答只占一轮 token 的 1% 到 7%，Claude Code 和 DeepSeek Harness 还把思考留在了上下文里。数据来自作者本人的日志。
大模型的上下文修复 · 试点 v2，2026 年 8 月 报告 · English · 案例	18 个案例 × 9 个模型端点，共 162 个被带偏的结果：只删错误源头修好 152 个，删掉整个受污染子图后 162 个全部修好。
TraceVista · 合作 在线演示 · GitHub	把 Agent 的工作流程画成可视化的地图，从全貌逐层展开到每一步动作，回答都链回原始记录。阅读层沿用了 ThoughtDAG 的缩放摘要。

唯一法则

连线即上下文。 把需要的对话路径接入下一问；断开连线，不必删除之前的探索。

ThoughtDAG 沿着节点的入边找到相关的上游内容，排好顺序，组成发给模型的消息。显式引用和开启的回忆还会补充材料。上下文操作说明 →

对比对象	ThoughtDAG 侧重什么
线性聊天	同时保留几条探索路径，选择哪些进入下一问。
思维导图、白板	连线不仅整理思路，也改变模型收到的内容。
Agent 工作流画布	随着讨论修改上下文，而不是编排自动执行的任务流程。
检索与自动记忆	核对一次请求用到的带出处材料，编辑或排除它们。

全部能力与路线图 →

模型、成本与隐私

画布、文档和历史索引保存在本机。调用远程模型时，相关内容会发送到你配置的服务，服务商可能收费。也可以接入本地 Ollama 或兼容 OpenAI 协议的端点。配置与隐私说明 →

贡献者

欢迎参与贡献，从 CONTRIBUTING_ZH.md 开始。

支持者

感谢首位支持者 @andreilaiter，也感谢每一位帮助这个独立开源项目继续成长的人。

引用

@software{chen_thoughtdag_2026,
  author  = {Chen, Xia},
  title   = {ThoughtDAG: an instrument for legible human-AI collaboration},
  year    = {2026},
  url     = {https://github.com/chenxiachan/thoughtdag},
  license = {MIT}
}

---