别再用线性聊天窗口了，试试把 LLM 上下文改成可编辑的有向无环图

大多数人使用大模型的习惯是像发微信一样，在一条线性的时间轴上不断向下滚动。但这种交互模式有一个致命缺陷：上下文污染。当你试图在同一个对话窗口里讨论三个不同的技术方案，或者在聊 A 方案时突然插入一段关于 B 的讨论，再绕回 A 时，模型必须背负着大量无关的干扰信息。这种线性结构的冗余，往往是导致模型在长对话中开始胡言乱语、丢失指令细节的根本原因。

最近我深入研究了 ThoughtDAG 这个开源项目，它提供了一套非常激进且高效的解决方案——将对话界面从“聊天窗”升级为“画布”。它的核心逻辑是将每一次对话交互定义为画布上的一个独立节点，而连接节点的“线”则代表了 Prompt 的上下文流向。

这种设计本质上是在给用户提供一种手动管理模型 KV Cache（键值缓存）的权限。在传统的线性界面中，上下文是不可见的黑盒，你只能通过发送“请忽略之前的所有内容”来尝试重置。但在 ThoughtDAG 的 DAG（有向无环图）结构中，内存被完全可视化了，这意味着你可以通过以下三种操作精准控制模型的“记忆”：

首先是分叉（Branching）。当你对某个问题的答案不满意，或者想尝试另一种完全不同的提示词策略时，不需要删除之前的对话，而是直接从某个历史节点拉出一条新线。这样你就可以在同一个画布上并行测试多条逻辑路径，而互不干扰。

其次是合并（Merging）。这是线性界面最难实现的功能。你可以将来自不同分支的结论节点，共同指向同一个新节点。这样在生成最终回答时，模型接收到的上下文是经过你筛选的精华，而不是夹杂着大量试错过程的废话。

最后是剪枝（Pruning）。如果你发现之前的某段讨论在误导模型，或者产生了严重的幻觉，你不需要重启对话，直接删掉那根连接线即可。在重新生成时，那段干扰记忆在模型看来就从未存在过。

从技术实现来看，这个项目的架构非常克制且实用。它采用了 React + TypeScript 的组合，状态管理使用了 Zustand，而画布的交互核心则是 React Flow。对于开发者来说，最关键的细节在于它支持 Ollama 本地部署，且所有对话数据都存储在浏览器的 IndexedDB 中，这意味着你的私有数据不需要上传到任何云端服务器，在本地即可完成整个图谱的构建。

相比于目前主流的 RAG（检索增强生成）算法试图通过向量搜索来“猜测”用户需要哪段记忆，这种手动修剪的方法给了用户绝对的控制权。与其寄希望于 AI Agent 能完美地自我清理记忆，不如直接给用户一个开关，让我们可以像修剪盆栽一样，把那些冗余的、干扰的对话分支直接剪掉。

对于有强迫症的开发者或者需要进行复杂逻辑推演的用户来说，这种从“对话流”到“知识图谱”的视角切换，能极大地提升提示词工程的效率。你可以直接在 GitHub 搜索 chenxiachan/thoughtdag 查看具体实现，这种将 LLM 内存可视化并允许手动干预的思路，或许才是未来复杂交互界面的正确方向。