ThoughtDAG es una herramienta que representa el contexto que recibe un modelo de lenguaje (LLM) como un grafo dirigido acíclico visible y editable, en lugar de tratarlo como una cadena lineal opaca. Cada nodo contiene información como una pregunta de investigación, una pieza de evidencia o una digresión personal, y las aristas determinan qué bloques entran en la siguiente petición al modelo. La aplicación permite explorar interpretaciones alternativas sin sobrescribir el camino previo, marcar qué partes del historial deben o no incluirse en un resumen y suprimir ramas irrelevantes —por ejemplo, eliminar la sugerencia de una cena que se coló en medio de una investigación— para reducir tokens y evitar contaminación del contexto.
Su propuesta central es que el contexto sea inspeccionable: el usuario ve qué información verá el modelo, por qué y qué se ha eliminado. La interfaz muestra los ancestros entrantes de la próxima consulta, el efecto de borrar una arista concreta (por ejemplo, −47 tokens) y permite regenerar la respuesta manteniendo el mismo prompt para demostrar cómo el cambio de contexto —y no el de las palabras— modifica el resultado. Está pensada para flujos donde se alterna investigación con notas personales, revisiones con revisores independientes o construcción de resúmenes a partir de varias rondas de evidencia.