ThoughtDAG превращает переписку с ИИ в редактируемый граф контекста
На Show HN опубликовали ThoughtDAG, веб-интерфейс, который представляет историю переписки с языковой моделью не линейным чатом, а редактируемым графом (DAG, направленным ациклическим графом). Идея в том, что новая ветка вопроса не переписывает предыдущую: пользователь может ответвиться в альтернативную интерпретацию, не теряя путь, который привёл к текущей точке, вся история хранится как узлы и связи графа.
Перед отправкой следующего запроса интерфейс показывает точный набор узлов-предков, которые войдут в контекст модели, и позволяет удалить ненужную связь прямо в графе. Демонстрационный сценарий: в ветке с исследовательским вопросом и найденной уликой (Evidence A) случайно оказалось ответвление про ужин. Пока эта ветка оставалась в контексте, модель добавляла в итоговое резюме исследования постороннюю рекомендацию поужинать хот-потом, хотя сам текст запроса не менялся. После удаления лишней связи объём контекста сократился на 47 токенов, посторонняя рекомендация исчезла, а ответ обновился на месте, без повторной генерации с нуля.
По описанию на странице продукта, скрытого механизма выбора памяти в инструменте нет: что именно видит модель, почему именно это и что было исключено из контекста, всё остаётся видимым в графе. Это же свойство разработчики называют воспроизводимостью: при одинаковом промте и неизменном наборе связей ответ модели повторяется, а любое изменение ответа можно проследить до конкретного изменения в графе.
Ключевые факты
- ThoughtDAG показывает диалог с LLM в виде редактируемого графа (DAG), а не линейной цепочки сообщений
- Можно ответвиться в альтернативную интерпретацию вопроса, не переписывая историю, которая привела к текущей точке
- Перед отправкой запроса видно точный список узлов-предков, которые войдут в контекст модели
- В демо удаление лишней ветки убрало постороннюю рекомендацию из ответа и сократило контекст на 47 токенов, а ответ обновился на месте
- По заявлению разработчиков, скрытого выбора памяти нет, что видит модель и что было удалено, всегда видно в графе
Почему это важно
В длинных диалогах с языковыми моделями история накапливает случайные, посторонние или устаревшие ветки, и модель молча учитывает их при формировании ответа, даже когда сам текст запроса не менялся. ThoughtDAG делает эту скрытую механику явной: превращает переписку в граф, где видно, какие именно узлы истории попадут в следующий запрос, и позволяет вручную убрать лишнее до отправки, а не гадать постфактум, почему ответ съехал в сторону.
Кому это важно
Разработчикам, которые строят промт-инженерные и агентные цепочки поверх LLM и хотят контролировать, что именно уходит в контекст на каждом шаге. Исследователям и всем, кому нужна воспроизводимость ответа модели при повторных запросах. Опытным пользователям чат-интерфейсов, которые ведут долгие разветвлённые диалоги и сталкиваются с тем, что старая ветка незаметно влияет на новый ответ.
Как это применить
По демонстрации на сайте, работа строится так: пользователь ведёт диалог как обычно, но в любой момент может ответвиться в альтернативный вопрос, не теряя исходную ветку. Перед отправкой очередного запроса интерфейс показывает список узлов-предков, которые войдут в контекст, лишние можно удалить прямо в графе, и ответ обновится на месте. В источнике не указано, с какими моделями или API инструмент совместим и на каких условиях доступен, поэтому оценить порог входа для конкретного стека пока нельзя.
Можно ли доверять
Это самостоятельный Show HN-пост с сайтом на личном GitHub Pages одного автора, на момент публикации набравший 11 баллов и 1 комментарий, то есть совсем свежий и ещё не проверенный сообществом продукт, а не релиз компании с историей. Все заявления о том, как инструмент устраняет постороннюю утечку контекста, взяты из демонстрационного сценария на самой странице продукта, а не из независимой проверки.
Риски и подводные камни
Ручное курирование контекста, это дополнительная когнитивная нагрузка на пользователя: нужно самому замечать посторонние ветки и решать, что удалить. В источнике нет данных о том, кто и когда сделал ThoughtDAG, какие модели он поддерживает, есть ли у него другие пользователи и как он соотносится с похожими подходами к управлению контекстом, судить об этом по одному демо-сценарию преждевременно.
«Скрытого выбора памяти нет: что видит модель, почему именно это и что было исключено, всегда остаётся видимым в графе.»
— со страницы продукта ThoughtDAG