Xia Chen 发布 ThoughtDAG v0.3.13 以公开 LLM 上下文

Why it matters

ThoughtDAG turns context selection into a user-controlled interface, challenging AI products that rely on hidden summaries, retrieval rules and automated memory.

Xia Chen (@chenxiachan) 在 2026 年 8 月 14 日发布了 ThoughtDAG v0.3.13，推进了一个开源尝试——用用户可以检查和编辑的上下文图来取代线性的 AI 聊天历史。

此次发布本身修复了一个狭窄的界面问题。现在从铅笔按钮开始进行答案编辑，双击则保留为文本选择。ThoughtDAG 背后的更大押注很重要：用户应该能够看到并直接控制发送到语言模型的信息，而不是信任一个聊天应用在幕后管理上下文。

Chen 在 Technical University of Munich 的 Munich Data Science Institute 和 Georg Nemetschek Institute 任博士后研究员。Chen 的研究 侧重于人机对齐，包括系统如何保持人类主体性并将领域知识纳入机器学习。Chen 通过 Technical University Berlin 和 Leibniz University Hannover 的研究与教学工作获得博士学位，并以 summa cum laude 荣誉毕业，研究涵盖因果推断、可解释 AI 和知识整合机器学习等领域。

这一背景为 ThoughtDAG 提供了清晰的知识谱系。Chen 多年致力于研究人们如何在 AI 辅助决策中保留控制权。ThoughtDAG 将这种关切转化为一种界面：改变一条连线就会改变模型请求。

The graph determines the prompt

ThoughtDAG 将消息、来源段落和模型回答表示为有向无环图中的节点。当用户生成回答时，ThoughtDAG 会遍历传入的边，排列相关的祖先节点并构建发送到所选模型的序列。

因此，这些连线具有操作性目的。用户可以从早期想法分支，保留一次绕路但将其从下一次请求中修剪，或将几条证据路径合并为新的回答。在任何内容发送之前，一个检查面板会预览节点、顺序和估计的 token 数量。

ThoughtDAG 的产品页面通过一个被无关晚餐讨论污染的研究对话来展示这种区别。连接的图最初发送了 1,284 个 token。移除一条边减少了 47 个 token，并在相同书面提示下产生了新的回答，而没有晚餐相关的内容。

该示例刻意简化，但它指出了长时间 AI 会话中的一个反复出现的问题。过往记录可以保持可见，但实际发送给模型的输入却变得难以重构。摘要、检索层和应用定义的记忆策略都可能影响下一个回答。而 ThoughtDAG 则将主动上下文变为用户可编辑的对象。

该项目在其主页上更简洁地提出了这一规则：“Wires are the context.” 截至 2026 年 8 月 15 日，该仓库有 100 颗星和 16 个分叉，这是开发者兴趣的早期证据，而非持续使用的证明。

Chen's alignment work becomes interface design

ThoughtDAG 将 Chen 在人类控制方面的学术关注扩展到日常 AI 使用的机制层面。Chen 的博士工作研究了先验知识与机器学习的对齐，以实现以人为中心的增强智能。2024 年在 UC Berkeley 的 Center for the Built Environment，Chen 从事工程研究中的因果推断和可解释 AI 工作。

Chen 还具有学术界外的创始人经验。根据 Chen 的传记，Chen 联合创立了总部在上海的 Joinergy（亦称 Jiaonengwang），从事能源数字化、电力市场和可持续性工作。Joinergy 在 2019 年获得了来自大学和政府相关的创业项目支持。

ThoughtDAG 将可追溯性的类似关切带入到生成式 AI 中。用户可以选择 PDF 段落，将文本或图表转为带来源链接的节点，并保留其页码来源。然后，答案可以连接到特定证据，而不是依赖无法区分的文档上传或一长串先前问题。

A manual answer to automated memory

AI 记忆市场正朝着自动决定应用应保留和检索何物的系统发展。例如，Mem0's Graph Memory 会将实体、关系和嵌入提取到图记忆层。Zep 为代理记忆和变化事实提供了时间上下文图。

ThoughtDAG 给了用户不同的角色。Chen 保持图可见，并要求操作画布的人决定哪些分支为请求提供输入。该项目将用户置于控制哪些分支进入和离开请求的位置。这种选择以牺牲部分自动化为代价，换取一份关于什么进入了提示以及为何这样做的记录。

可视化 AI 工作空间已经是一个有竞争力的产品类别。Spine Canvas 也在开放画布上呈现 AI 工作。ThoughtDAG 更鲜明的区别在于其边直接控制模型上下文。画布是请求构建机制的一部分，而不是覆盖在普通聊天历史之上的一个视觉层。

手动控制也可能变成手动负担。对于一个有多个分支的研究项目来说，图表能够带来清晰，但当用户仅想要快速答案时，图表可能会变得繁琐。ThoughtDAG 的前景取决于 Chen 是否能让上下文编辑感觉比检查和纠正由不透明记忆选择引起的错误更容易。

A local-first route to distribution

ThoughtDAG 提供了 Web 应用以及针对 Linux x64、Apple Silicon 和 Intel Macs 的桌面构建，以及 Windows x64。桌面版本捆绑了其本地引擎，免去了直接运行仓库时所需的 Node 和终端设置。该项目表示在两种版本中画布都保留在用户设备上。

MIT 许可的仓库 支持托管模型提供商、本地 Ollama 端点和兼容 OpenAI 的 API。其文档称 PDF 保留在用户机器上，而在需要模型回答的问题时会发送提取的文本。根据项目说明，托管演示会直接从浏览器发送模型流量。

安装仍存在摩擦。macOS 构建已签名并通过了公证，而 Windows 安装程序未签名，需要用户绕过 SmartScreen 警告。对于开发者和早期采用者来说这是可管理的，但在安装程序获得主流桌面软件所期望的信任信号之前，这限制了更广泛的分发。

ThoughtDAG 的演示展示了一种机制，而不是对答案质量或可复现性的独立评估。更困难的产品测试将涉及更长的项目、多个文档和足够复杂的图，以证明放弃熟悉聊天界面的合理性。

尽管如此，Chen 已经提出了这一日益重要思想的具体实现：在调用模型的那一刻，上下文管理应该是可检查的。ThoughtDAG v0.3.13 在 Chen 更广泛的努力中做出了一项小的可用性修正，旨在使模型上下文可见且可编辑。