HERRAMIENTAS
ThoughtDAG v0.3.13 expone y permite editar el contexto que recibe el modelo
Xia Chen ha publicado ThoughtDAG v0.3.13, una app de escritorio y web de código abierto que sustituye el chat lineal por un grafo editable del contexto enviado al modelo. La versión corrige una interacción de edición y refuerza un enfoque: ramificar, podar y fusionar fuentes antes de pedir respuesta, con vista previa y recuento estimado de tokens.
Qué ha ocurrido
El 14 de agosto de 2026, Xia Chen lanzó ThoughtDAG v0.3.13, un intento de código abierto de reemplazar el historial lineal de chat por un grafo editable que determina exactamente qué contexto se envía a un LLM. La actualización resuelve un detalle de interfaz: la edición de respuestas arranca ahora desde un botón de lápiz, dejando el doble clic para seleccionar texto. En ThoughtDAG, mensajes, pasajes fuente y respuestas son nodos; las aristas definen el prompt, y un panel permite previsualizar nodos, orden y recuento estimado de tokens antes de enviar. Un ejemplo del proyecto muestra cómo eliminar una única arista reduce 47 tokens y genera una nueva respuesta desde el mismo texto de consulta, al excluir contenido no relacionado. Está disponible como web y como app de escritorio para Linux x64, macOS (Apple Silicon e Intel) y Windows x64; la versión de escritorio incluye motor local y, según el proyecto, mantiene los lienzos en el dispositivo. Es MIT, compatible con proveedores alojados, endpoints locales de Ollama y APIs tipo OpenAI; los PDFs permanecen en la máquina y solo se extrae texto al consultar, con el demo enviando tráfico desde el navegador. Los binarios de macOS están firmados y notarizados; el instalador de Windows no lo está y requiere pasar SmartScreen. A 15 de agosto de 2026 el repositorio registraba 100 estrellas y 16 forks, señal de interés temprano.
Qué significa para creadores
Si trabajas con proyectos largos (investigación, series de guiones, encargos con múltiples fuentes), ThoughtDAG te deja curar el contexto con precisión: ramificar ideas para versiones alternativas, podar desvíos que contaminarían la siguiente respuesta o fusionar rutas de evidencia en una nueva consulta. Antes de pedir al modelo, puedes ver exactamente qué entra en el prompt, en qué orden y con cuántos tokens estimados, y enlazar respuestas a pasajes concretos de PDFs manteniendo la procedencia de página. Este control puede evitar que conversaciones largas arrastren temas irrelevantes y facilita reproducir resultados. A cambio, hay sobrecarga manual frente a memorias automáticas; puede no ser ideal para preguntas rápidas. El enfoque local-first ayuda a mantener borradores y fuentes en el dispositivo, pero en Windows hay fricción inicial por el instalador sin firmar.
Fuente y contexto
Chen es posdoctoral en el Munich Data Science Institute y el Georg Nemetschek Institute (TUM), con trayectoria en alineamiento humano-IA, inferencia causal y explicabilidad; su interés por preservar la agencia humana se traslada aquí a una interfaz donde cambiar una arista cambia la solicitud al modelo. Frente a memorias automáticas como Graph Memory de Mem0 o el grafo temporal de Zep, ThoughtDAG apuesta por la edición manual y visible del contexto, diferenciándose también de otros lienzos visuales al usar el grafo como parte operativa del prompt. La v0.3.13 es un ajuste pequeño dentro de ese enfoque más amplio; la demo ilustra el mecanismo, no una evaluación independiente de calidad. Información basada en RuntimeWire y la documentación del proyecto.