Il progetto open source organizza dialoghi, istruzioni e diramazioni in un grafo editabile, offrendo un controllo più diretto sul materiale inviato al modello.
Le conversazioni con i modelli linguistici accumulano rapidamente istruzioni, risposte, correzioni e materiali di riferimento. Nelle interfacce tradizionali tutto questo contenuto rimane disposto lungo una sequenza cronologica. La struttura lineare è immediata nelle attività brevi, mentre diventa più difficile da controllare quando il lavoro richiede alternative, revisioni successive o il recupero di passaggi lontani.
ThoughtDAG affronta questo problema trasformando il contesto della conversazione in un grafo modificabile. I diversi passaggi vengono organizzati in nodi collegati da archi e l’utente può intervenire sulla struttura per determinare quali contenuti saranno utilizzati nella richiesta successiva. Il progetto punta quindi a rendere osservabile un elemento che nelle chat convenzionali resta spesso implicito: la composizione effettiva del contesto inviato al modello.
Gli archi stabiliscono che cosa vede il modello
L’idea operativa di ThoughtDAG è che i collegamenti tra i nodi definiscano il contesto. Modificare il grafo significa modificare il materiale fornito al modello linguistico. Una risposta precedente può essere mantenuta lungo un percorso, esclusa da una nuova elaborazione oppure collegata a un’altra diramazione del lavoro.
Questa impostazione distingue la cronologia completa della sessione dal contesto selezionato per una specifica generazione. La distinzione è utile perché un modello non attribuisce automaticamente la stessa importanza a ogni messaggio. I contenuti presenti nella finestra di contesto influenzano la risposta e possono includere informazioni ormai superate, tentativi scartati o istruzioni elaborate per una fase differente del progetto.
ThoughtDAG propone quattro operazioni principali: branching, pruning, merge e inspect. Il branching consente di sviluppare percorsi alternativi partendo dallo stesso passaggio. Il pruning permette di escludere una diramazione. Il merge riunisce percorsi distinti, mentre la funzione inspect mostra in anteprima il prompt effettivo prima della generazione.
L’anteprima ha un valore particolare nei workflow articolati. Consente di controllare quali istruzioni e quali contenuti stanno per essere trasmessi, riducendo la distanza tra ciò che appare nell’interfaccia e ciò che riceve il modello. L’utente può così verificare la struttura della richiesta prima di spendere tempo o risorse in una nuova elaborazione.
Dalla cronologia lineare alla progettazione del contesto
ThoughtDAG si inserisce nel filone della context engineering, cioè la progettazione del complesso di istruzioni, dati ed esempi messi a disposizione di un sistema di intelligenza artificiale. Nei primi strumenti generativi l’attenzione era concentrata soprattutto sulla formulazione del singolo prompt. Con l’aumento della durata e della complessità delle sessioni, l’organizzazione del contesto assume un ruolo altrettanto rilevante.
Una rappresentazione grafica permette di trattare la conversazione come un ambiente di lavoro. Ogni diramazione può corrispondere a un’ipotesi, una versione o una fase distinta. Il percorso attivo diventa leggibile e può essere modificato senza ricostruire manualmente una lunga sequenza di messaggi.
Per un autore, una diramazione potrebbe contenere una possibile struttura del testo e un’altra un’impostazione alternativa. In un’attività editoriale si potrebbero separare ricerca, revisione e adattamento per pubblici diversi. Nello sviluppo software, lo stesso approccio può aiutare a conservare ipotesi di debugging differenti senza mescolarle nella medesima cronologia.
Il grafo offre inoltre una forma di documentazione del processo. Le decisioni rimangono associate ai percorsi che le hanno prodotte e possono essere riesaminate in seguito. Questa caratteristica può risultare utile nei lavori iterativi, dove il valore della sessione dipende anche dalla possibilità di ricostruire perché una soluzione sia stata preferita a un’altra.
Open source, web demo e applicazione desktop
ThoughtDAG è distribuito come progetto open source con licenza MIT. È disponibile una demo web e viene proposta un’applicazione desktop, descritta come la versione completa, per macOS con Apple Silicon, Windows x64 e Linux x64. Il progetto dichiara compatibilità con endpoint OpenAI e con Ollama, una soluzione usata per eseguire modelli localmente.
L’architettura viene presentata come local-first. I canvas possono essere conservati in locale e la demo opera direttamente nel browser. L’integrazione con Ollama permette inoltre di costruire un flusso offline quando il modello e l’infrastruttura utilizzati lo consentono. Collegando un servizio remoto, il trattamento delle richieste dipende naturalmente dall’endpoint scelto e dalle sue condizioni operative.
La disponibilità del codice consente agli utenti tecnici di esaminare il progetto, adattarlo e integrarlo nei propri ambienti. La licenza permissiva favorisce anche sperimentazioni in strumenti interni o prototipi. La maturità del software e la sua efficacia nei flussi di produzione richiedono comunque una valutazione diretta, perché le funzionalità descritte dal progetto non equivalgono a misurazioni indipendenti sull’usabilità o sulla produttività.
Che cosa cambia nel lavoro quotidiano
Una visualizzazione a grafo non amplia la finestra di contesto del modello e non introduce una memoria illimitata. Il suo contributo riguarda la selezione e l’organizzazione del materiale già disponibile. Questa differenza aiuta a collocare correttamente lo strumento: il miglioramento atteso deriva da un controllo più preciso sul flusso informativo, non da nuove capacità del modello sottostante.
Il vantaggio potenziale cresce con la complessità dell’attività. Una domanda isolata richiede raramente una struttura grafica. Un progetto composto da più documenti, numerose revisioni e percorsi paralleli può invece beneficiare della possibilità di vedere le dipendenze e intervenire sui collegamenti. La stessa logica può interessare redazioni, gruppi di ricerca e piccole imprese che usano gli LLM per attività continuative.
Esiste anche una ricaduta sul controllo dei costi e della qualità. Se l’utente può ispezionare il prompt effettivo, diventa più semplice individuare contenuti ridondanti o istruzioni non più pertinenti. La possibilità di rimuovere una diramazione aiuta a mantenere una richiesta focalizzata, mentre il riuso di percorsi già costruiti può ridurre la necessità di ricomporre ogni volta il contesto.
L’interfaccia grafica richiede un periodo di apprendimento e potrebbe risultare più elaborata rispetto a una chat per gli utilizzi immediati. Il suo valore dipenderà dalla chiarezza con cui il grafo comunica l’ordine dei messaggi, le dipendenze e il contenuto realmente trasmesso. Nei sistemi visuali, una maggiore libertà organizzativa produce benefici quando rimane accompagnata da convenzioni leggibili.
Un’interfaccia per governare conversazioni più complesse
ThoughtDAG esplora una direzione concreta nell’evoluzione degli strumenti basati sull’intelligenza artificiale: offrire agli utenti un controllo esplicito sul contesto. L’attenzione si sposta dall’alternanza tra domanda e risposta verso la costruzione di percorsi di lavoro osservabili, modificabili e riutilizzabili.
Questo approccio può diventare rilevante mentre gli LLM vengono impiegati in attività che durano ore o giorni e coinvolgono materiali eterogenei. La qualità del risultato dipende sempre più dalla capacità di fornire al modello le informazioni appropriate nella fase corretta. Rendere visibili tali scelte aiuta a trasformare una conversazione lunga in una struttura operativa.
Il progetto resta una proposta da verificare nell’uso quotidiano, soprattutto per maturità, ergonomia e stabilità. L’intuizione alla base è comunque chiara: una parte importante del lavoro con gli LLM consiste nel governare ciò che il modello può vedere. ThoughtDAG porta questa attività in primo piano e la affida a un grafo sul quale l’utente può intervenire direttamente.
Fonti
