تصور کنید تمام ایده‌های درخشان و پیشرفت‌های فکری شما در دل ده‌ها چت قدیمی دفن شده و هر بار برای یافتن یک نکته، باید ساعت‌ها در تاریخچه جست‌وجو کنید. ThoughtDAG — ابزاری که طبق گزارش ۲۸ سپتامبر ۲۰۲۶ در وب‌سایت dev.to معرفی شد — قصد دارد این «گورستان چت‌ها» را با تبدیل تاریخچه به یک گراف قابل جست‌وجو و متصل، از بین ببرد.
بسیاری از ما با هوش مصنوعی به‌صورت جلساتی یک‌بارمصرف تعامل می‌کنیم. وقتی به یک پروژه پیچیده بازمی‌گردیم، یا مجبوریم همه چیز را از اول شروع کنیم یا برای یافتن تفکیکی که ماه پیش روی آن وقت گذاشته‌ایم، دست‌وپا می‌زنیم. ThoughtDAG این تجربه را تغییر می‌دهد؛ همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدیریت حافظه در مدل‌های زبانی اشاره کردیم، مشکل اصلی نه کمبود حافظه، بلکه دشواری در بازیابی دقیق اطلاعات است. این ابزار اجازه می‌دهد دقیقاً مشخص کنید چه تکه‌ای از گذشته به پرسش فعلی شما اضافه شود و نویزهای اضافی حذف شوند.
این سامانه از طریق یک بوم بصری و یک شاخص تاریخچهٔ محلی (Local History Index) عمل می‌کند. بر اساس مستندات این پروژه، مکانیزم‌های کلیدی آن عبارت‌اند از:
- بازیابی گزینشی (Selective Recall): کاربر می‌تواند تنها پیشنهادهای خاص — مثلاً یادآوری برای تست یک فرضیه در هفته بعد — را بیرون بکشد و بحث‌های حاشیه‌ای را رها کند.
- شاخه‌بندی (Branching): یک جزئیات خاص از حافظهٔ بازیابی‌شده می‌تواند تبدیل به یک مسیر پرس‌وجوی کاملاً جدید شود.
- اتصال مجدد (Reconnection): مسیرهای مختلف گفتگو می‌توانند دوباره در یک پرسش کاری اصلی ادغام شوند.
برای کاربر عملی، این تغییر یعنی گذار از «پرامپت‌نویسی» به «مدیریت دانش». به‌جای اینکه امیدوار باشید مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — جزئیاتی را از ۱۰ هزار توکن قبل به یاد آورد، شما به‌صورت دستی پنجرهٔ زمینه (Context Window) — شبیه میز کاری که جا برای چند ورق دارد، نه برای کل کتابخانه — را با تکه‌های باارزش از تفکرات قبلی خود پر می‌کنید. این رویکرد مشابه تلاش‌هایی است که در سامانه‌های تخصصی‌تر برای ترکیب یادگیری و تحلیل داده‌ها دیده می‌شود، مانند سامانه PyBot که آموزش پایتون را با تحلیل رزومه ادغام کرده است تا تجربه کاربر را شخصی‌سازی کند. این کار بار ذهنی لازم برای شروع مجدد گردش‌های کاری پیچیده را به‌شدت کاهش می‌دهد.
این رویکرد نشان می‌دهد که آیندهٔ بهره‌وری تنها در گروی بزرگ‌تر شدن پنجره‌های متنی نیست، بلکه به ابزارهای بهتری برای سازماندهی انسانیِ این زمینه نیاز داریم.
گام بعدی شما
- ابزار ThoughtDAG را برای سازماندهی تاریخچهٔ محلی و ایندکس کردن چت‌های خود بررسی کنید.
- سعی کنید به جای شروع چت‌های جدید، تکه‌های کلیدی پروژه‌های قبلی را در بوم بصری متصل کنید.
- بررسی کنید که کدام بخش از گردش کار شما بیشترین نیاز به «شاخه‌بندی» ایده‌ها دارد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو