MCP Chatbot 增强：提示功能引导交互，资源功能补充价值

一、为什么需要提示与资源功能？—— 解决 “用户不会用、答案不够全” 的痛点

前序开发的 MCP Chatbot 虽能基于引用服务器生成答案，但在实际使用中仍面临两大核心问题：

1. 用户交互门槛高：新手用户不知道 “该问什么”（如 HR Chatbot 用户可能不清楚 “年假政策”“社保补缴” 等可提问方向），或提问表述模糊（如 “请假流程” 未说明是 “年假” 还是 “病假”），导致检索结果偏差、答案不准确；
2. 答案延伸价值不足：Chatbot 仅返回问题答案，用户若需要 “进一步操作”（如根据年假政策下载申请表格）或 “相关知识”（如请假流程对应的系统入口），需额外咨询或搜索，体验不连贯。

提示功能与资源功能的核心价值，正是通过 “主动引导交互” 和 “补充关联资源”，让 Chatbot 从 “被动回答” 升级为 “主动辅助”：

• 提示功能：在用户交互的关键节点（如首次使用、提问模糊、检索无结果时），提供 “该问什么”“怎么问” 的引导，降低使用门槛；
• 资源功能：在答案中关联 “操作工具”“参考文档”“系统入口” 等资源，让用户获取答案后能直接完成后续动作，提升 Chatbot 的实用价值。

二、提示功能设计：分场景、无打扰、可配置

提示功能需遵循 “场景化触发、不打断主流程、用户可关闭” 三大原则，按用户交互阶段分为三类核心提示，均以 “组件化” 方式融入 MCP 架构（新增PromptGuideComponent，属于处理层，与输入层、检索组件协同）。

1. 提示功能的核心类型与应用场景

提示类型	触发场景	核心目标	示例效果
引导式提示	用户首次使用 Chatbot、或 30 秒未输入提问	告诉用户 “可提问的方向”，激发交互	“您可咨询：年假申请天数、社保补缴流程、入职材料准备等问题”
纠错式提示	用户提问表述模糊（如 “请假怎么弄”）、关键词缺失	引导用户补充信息，提升检索准确性	“为了更精准回答，请说明您咨询的是‘年假’‘病假’还是‘事假’？”
示例式提示	用户检索无结果（如 “未找到‘探亲假’相关知识”）	提供 “正确提问示例”，降低试错成本	“未找到相关内容，您可尝试提问：‘探亲假有多少天？’‘探亲假申请需要哪些材料？’”

2. 提示组件的设计与实现（MCP 处理层新增组件）

PromptGuideComponent组件需支持 “场景判断、提示生成、触发控制” 三大能力，且接口需与 MCP 现有组件兼容（输入含session_id“用户行为”“当前上下文”，输出为 “提示文本 + 是否显示”）。

核心代码实现

python

运行

# MCP处理层：提示引导组件（mcp_core/process/prompt_guide.py）
from datetime import datetime
from typing import Dict, Optional

class PromptGuideComponent:
    def __init__(self, config: Dict = None):
        # 配置提示触发规则（可外部传入，支持自定义）
        self.config = config or {
            "guide_delay": 30,  # 引导式提示触发延迟（秒）：用户未输入时
            "vague_threshold": 0.5,  # 纠错式提示触发阈值：问题语义清晰度低于0.5
            "no_result_prompts": [  # 检索无结果时的示例提示列表
                "您可尝试提问：‘{topic}有多少天？’",
                "您可补充细节，如‘{topic}申请需要哪些材料？’"
            ]
        }
        # 记录用户行为（会话ID→最后交互时间、提问历史）
        self.user_behavior = {}

    def update_behavior(self, session_id: str, action: str):
        """更新用户行为记录（用于判断提示触发时机）"""
        if session_id not in self.user_behavior:
            self.user_behavior[session_id] = {
                "last_interact_time": datetime.now(),
                "question_history": []
            }
        if action == "input_question":
            self.user_behavior[session_id]["last_interact_time"] = datetime.now()
            self.user_behavior[session_id]["question_history"].append(action)
        elif action == "open_chat":
            self.user_behavior[session_id]["last_interact_time"] = datetime.now()

    def judge_scene(self, session_id: str, current_question: Optional[str] = None, retrieval_result: Dict = None) -> str:
        """判断当前场景，返回对应的提示类型（guide/error/example/none）"""
        user_behavior = self.user_behavior.get(session_id, {})
        current_time = datetime.now()

        # 1. 判断是否触发“引导式提示”（首次打开/长时间未输入）
        if not user_behavior or len(user_behavior.get("question_history", [])) == 0:
            return "guide"  # 首次使用
        time_diff = (current_time - user_behavior["last_interact_time"]).total_seconds()
        if time_diff >= self.config["guide_delay"] and not current_question:
            return "guide"  # 长时间未输入

        # 2. 判断是否触发“纠错式提示”（提问模糊）
        if current_question and self._is_vague_question(current_question):
            return "error"

        # 3. 判断是否触发“示例式提示”（检索无结果）
        if retrieval_result and retrieval_result["status"] == "success" and len(retrieval_result["data"].get("references", [])) == 0:
            return "example"

        # 无提示触发
        return "none"

    def generate_prompt(self, prompt_type: str, current_question: Optional[str] = None) -> Dict:
        """根据提示类型生成提示文本，返回标准化格式（符合MCP组件输出接口）"""
        if prompt_type == "none":
            return {"show_prompt": False, "prompt_text": "", "prompt_type": "none"}

        # 1. 引导式提示（按场景动态生成，示例以HR Chatbot为例）
        if prompt_type == "guide":
            guide_text = "欢迎使用HR助手！您可咨询以下方向的问题：\n" \
                         "- 假期政策：年假天数、请假流程、审批权限\n" \
                         "- 社保福利：社保缴纳标准、补缴流程、公积金提取\n" \
                         "- 入职离职：入职材料准备、离职手续办理、薪资结算"
            return {
                "show_prompt": True,
                "prompt_text": guide_text,
                "prompt_type": "guide",
                "operable": False  # 不可交互，仅展示
            }

        # 2. 纠错式提示（根据模糊问题补充引导）
        if prompt_type == "error":
            vague_topics = self._extract_vague_topics(current_question)  # 提取模糊主题（如“请假”）
            error_text = f"您提到的‘{vague_topics}’表述较模糊，为了精准回答，请补充说明：\n" \
                         "- 若咨询假期：请说明是‘年假’‘病假’‘事假’还是‘探亲假’\n" \
                         "- 若咨询流程：请说明是‘申请’‘审批’还是‘撤销’"
            return {
                "show_prompt": True,
                "prompt_text": error_text,
                "prompt_type": "error",
                "operable": True,  # 可交互，用户可直接补充内容
                "suggested_inputs": ["年假申请流程", "病假审批权限"]  # 可点击的建议输入
            }

        # 3. 示例式提示（根据无结果问题生成示例）
        if prompt_type == "example":
            topic = self._extract_topic_from_question(current_question)  # 提取问题主题（如“探亲假”）
            examples = [fmt.format(topic=topic) for fmt in self.config["no_result_prompts"]]
            example_text = f"未找到‘{topic}’相关内容，您可尝试以下提问方式：\n" + "\n".join([f"- {ex}" for ex in examples])
            return {
                "show_prompt": True,
                "prompt_text": example_text,
                "prompt_type": "example",
                "operable": True,
                "suggested_inputs": examples  # 示例可直接点击提交
            }

    # 辅助方法：判断问题是否模糊（简化实现，实际可结合NLP工具）
    def _is_vague_question(self, question: str) -> bool:
        vague_keywords = ["怎么弄", "流程", "怎么申请", "怎么办理"]
        # 若问题含模糊关键词且无具体主题（如“请假流程”有主题，“流程怎么弄”无主题）
        has_vague_keyword = any(kw in question for kw in vague_keywords)
        has_specific_topic = any(topic in question for topic in ["年假", "病假", "社保", "公积金"])
        return has_vague_keyword and not has_specific_topic

    # 辅助方法：提取模糊问题的主题
    def _extract_vague_topics(self, question: str) -> str:
        if "请假" in question:
            return "请假相关"
        if "社保" in question or "公积金" in question:
            return "社保/公积金相关"
        return "相关业务"

    # 辅助方法：从无结果问题中提取主题
    def _extract_topic_from_question(self, question: str) -> str:
        for topic in ["年假", "病假", "事假", "探亲假", "社保", "公积金"]:
            if topic in question:
                return topic
        return "您咨询的业务"

三、资源功能设计：关联场景、精准推送、可复用

资源功能的核心是为 Chatbot 提供 “可管理、可关联、可推送” 的辅助资源库（如操作指南、下载链接、系统入口），让答案不仅 “解答问题”，还能 “提供后续行动支持”。该功能通过新增ResourceManagerComponent（存储层管理资源，输出层推送资源）实现，与现有引用服务器、会话管理组件协同。

1. 资源功能的核心价值与模块划分

核心价值	解决的实际问题	典型应用场景
答案延伸	用户获取答案后需额外搜索 “操作工具”（如请假申请表）	HR Chatbot 回答 “年假申请流程” 时，推送 “年假申请表下载链接”
操作引导	用户知道政策但不知道 “在哪操作”（如社保查询）	回答 “社保缴费查询” 时，推送 “企业社保查询系统入口”
知识补充	用户需要 “更详细的参考文档”（如完整员工手册）	回答 “加班工资计算” 时，推送 “《薪酬管理办法》完整文档”

资源功能分为两大模块：

• 资源管理模块：负责资源的 “新增、分类、更新、权限控制”，支持按 “业务场景”（如年假、社保）、“资源类型”（如文档、链接、表格）分类存储，资源信息包含resource_id（唯一标识）、scene_keywords（关联场景关键词）、content（资源内容 / 链接）、permission（访问权限）；
• 资源推送模块：负责 “根据用户提问场景匹配资源”，并将资源融入答案输出，支持 “自动推送”（如匹配到场景则默认推送）和 “手动触发”（如用户点击 “查看更多资源”）。

2. 资源组件的设计与实现（MCP 存储层 + 输出层新增组件）

（1）资源管理组件（存储层：ResourceManagerComponent）

python

运行

# MCP存储层：资源管理组件（mcp_core/storage/resource_manager.py）
from typing import List, Dict, Optional

class ResourceManagerComponent:
    def __init__(self, storage_type: str = "local", db_path: str = "mcp_resources.db"):
        self.storage_type = storage_type  # 支持local（本地JSON）或db（数据库）
        self.db_path = db_path
        # 初始化资源库（实际场景从存储加载，此处模拟）
        self.resources = self._load_resources()

    # 加载资源（模拟从本地文件加载）
    def _load_resources(self) -> List[Dict]:
        if self.storage_type == "local":
            return [
                {
                    "resource_id": "res_001",
                    "scene_keywords": ["年假申请", "年假流程", "年假审批"],  # 关联的提问场景关键词
                    "resource_type": "file_download",  # 资源类型：文件下载
                    "content": "http://server/files/年假申请表.xlsx",  # 下载链接
                    "name": "年假申请表（2024版）",
                    "permission": "all",  # 所有用户可访问
                    "update_time": "2024-01-15"
                },
                {
                    "resource_id": "res_002",
                    "scene_keywords": ["社保查询", "社保缴费", "社保记录"],
                    "resource_type": "system_link",  # 系统入口链接
                    "content": "http://server/systems/insurance-query",
                    "name": "企业社保查询系统",
                    "permission": "all",
                    "update_time": "2024-03-20"
                },
                {
                    "resource_id": "res_003",
                    "scene_keywords": ["薪酬计算", "加班工资", "绩效工资"],
                    "resource_type": "document",  # 参考文档
                    "content": "《薪酬管理办法》完整文档：http://server/docs/salary-policy.pdf",
                    "name": "薪酬管理办法（含加班工资计算标准）",
                    "permission": "all",
                    "update_time": "2024-02-10"
                }
            ]
        # 数据库存储逻辑（省略，与之前对话存储组件逻辑一致）
        return []

    # 新增/更新资源（管理员接口）
    def add_or_update_resource(self, resource: Dict) -> Dict:
        # 校验资源必填字段
        required_fields = ["resource_id", "scene_keywords", "resource_type", "content", "name", "permission"]
        if not all(field in resource for field in required_fields):
            return {"status": "failed", "error": "资源缺少必填字段"}
        
        # 检查是否已存在该资源（存在则更新，不存在则新增）
        existing_idx = next((i for i, res in enumerate(self.resources) if res["resource_id"] == resource["resource_id"]), None)
        if existing_idx is not None:
            self.resources[existing_idx] = resource
        else:
            self.resources.append(resource)
        
        # 保存到存储（本地/数据库，省略）
        self._save_resources()
        return {"status": "success", "data": {"resource_id": resource["resource_id"]}}

    # 根据用户提问场景匹配资源（核心方法，供Chatbot调用）
    def match_resources(self, user_question: str, session_id: str) -> List[Dict]:
        # 1. 校验用户权限（根据session_id获取用户角色，省略）
        user_permission = "all"  # 简化：默认所有用户有all权限
        
        # 2. 提取问题中的场景关键词（如“年假申请”）
        question_keywords = self._extract_question_keywords(user_question)
        
        # 3. 匹配资源（场景关键词重叠度≥1，且权限符合）
        matched_resources = []
        for res in self.resources:
            # 计算场景关键词重叠度
            overlap = len(set(question_keywords) & set(res["scene_keywords"]))
            if overlap >= 1 and res["permission"] == user_permission:
                # 补充资源展示格式
                res["display_text"] = self._format_resource_display(res)
                matched_resources.append(res)
        
        # 4. 按“更新时间降序”排序（优先推送最新资源）
        matched_resources.sort(key=lambda x: x["update_time"], reverse=True)
        return matched_resources[:2]  # 最多推送2条，避免资源冗余

    # 辅助方法：提取问题关键词（简化实现）
    def _extract_question_keywords(self, question: str) -> List[str]:
        # 预设场景关键词库（实际可结合NLP工具提取）
        all_scene_keywords = ["年假申请", "年假流程", "社保查询", "社保缴费", "薪酬计算", "加班工资"]
        return [kw for kw in all_scene_keywords if kw in question]

    # 辅助方法：格式化资源展示文本（用于融入答案）
    def _format_resource_display(self, resource: Dict) -> str:
        if resource["resource_type"] == "file_download":
            return f"【可下载文件】{resource['name']}：{resource['content']}（更新时间：{resource['update_time']}）"
        elif resource["resource_type"] == "system_link":
            return f"【系统入口】{resource['name']}：{resource['content']}（点击直接访问）"
        elif resource["resource_type"] == "document":
            return f"【参考文档】{resource['name']}：{resource['content']}（含详细说明）"
        return f"【相关资源】{resource['name']}：{resource['content']}"

    # 辅助方法：保存资源到存储（省略）
    def _save_resources(self):
        pass

（2）资源推送组件（输出层：ResourcePusherComponent）

python

运行

# MCP输出层：资源推送组件（mcp_core/output/resource_pusher.py）
from typing import List, Dict

class ResourcePusherComponent:
    def __init__(self, resource_manager: "ResourceManagerComponent"):
        self.resource_manager = resource_manager  # 依赖资源管理组件
        self.push_strategy = "auto"  # 推送策略：auto（自动）/manual（手动）

    # 生成资源推送文本（融入答案末尾）
    def generate_resource_text(self, user_question: str, session_id: str) -> str:
        if self.push_strategy != "auto":
            return ""  # 手动策略需用户点击触发，不自动推送
        
        # 1. 匹配资源
        matched_resources = self.resource_manager.match_resources(user_question, session_id)
        if not matched_resources:
            return ""
        
        # 2. 格式化资源文本（避免冗余，最多2条）
        resource_text = "\n\n【相关辅助资源】\n"
        for idx, res in enumerate(matched_resources, 1):
            resource_text += f"{idx}. {res['display_text']}\n"
        
        # 3. 补充手动触发提示（如需更多资源可点击）
        resource_text += "\n若需查看更多相关资源，可点击【获取更多资源】按钮。"
        return resource_text

    # 手动触发资源推送（用户点击“获取更多资源”时调用）
    def manual_push(self, user_question: str, session_id: str) -> List[Dict]:
        matched_resources = self.resource_manager.match_resources(user_question, session_id)
        # 返回结构化资源列表（供前端展示为卡片/列表）
        return [
            {
                "resource_id": res["resource_id"],
                "name": res["name"],
                "type": res["resource_type"],
                "content": res["content"],
                "update_time": res["update_time"],
                "display_text": res["display_text"]
            }
            for res in matched_resources
        ]

四、整合提示与资源功能到 MCP Chatbot：遵循 “模块化衔接” 原则

提示与资源功能需作为独立组件融入现有 MCP 架构，不破坏原有分层逻辑，核心整合点在 “处理层”（提示场景判断）和 “输出层”（资源推送），整体流程如下：

plaintext

[用户提问] → [输入层：文本清洗] → [处理层：
    1. PromptGuideComponent判断提示场景→生成提示
    2. ReferenceRetriever检索外部知识
    3. LLMCaller生成基础答案
] → [输出层：
    1. ResourcePusherComponent匹配并推送资源
    2. 整合“提示+基础答案+资源”为最终输出
] → [用户界面：展示结果+提示（如需）]

1. 核心整合代码（修改 Chatbot 提问处理逻辑）

python

运行

# 整合提示与资源功能的Chatbot核心逻辑
from mcp_core.process import LLMCaller, ReferenceRetriever, PromptGuideComponent
from mcp_core.storage import ResourceManagerComponent
from mcp_core.output import ResourcePusherComponent
from mcp_core.process.context_manager import ContextManager

# 初始化新增组件
prompt_guide = PromptGuideComponent()  # 提示组件
resource_manager = ResourceManagerComponent()  # 资源管理组件
resource_pusher = ResourcePusherComponent(resource_manager=resource_manager)  # 资源推送组件
# 初始化原有组件（保持不变）
llm_caller = LLMCaller(model="gpt-4o", api_key="your-api-key", params={"temperature": 0.2})
ref_retriever = ReferenceRetriever(reference_server_url="http://127.0.0.1:8001")
context_manager = ContextManager(max_history=5)

def handle_user_question_enhanced(session_id: str, user_question: str = None) -> Dict:
    # 步骤1：更新用户行为（用于提示场景判断）
    if user_question:
        prompt_guide.update_behavior(session_id=session_id, action="input_question")
    else:
        prompt_guide.update_behavior(session_id=session_id, action="open_chat")  # 仅打开未输入

    # 步骤2：生成提示（判断是否需要提示）
    # 若有用户提问，先检索引用服务器（用于示例提示判断）；若无提问，仅判断引导提示
    retrieval_result = None
    if user_question:
        retrieval_result = ref_retriever.retrieve(
            session_id=session_id,
            user_question=user_question,
            retrieval_params={"top_k": 2, "knowledge_base_ids": ["hr_base"]}
        )
    # 判断提示场景并生成提示
    prompt_scene = prompt_guide.judge_scene(
        session_id=session_id,
        current_question=user_question,
        retrieval_result=retrieval_result
    )
    prompt_data = prompt_guide.generate_prompt(prompt_type=prompt_scene, current_question=user_question)

    # 步骤3：若无需提示且有提问，生成基础答案+推送资源
    final_answer = ""
    resource_text = ""
    if prompt_scene == "none" and user_question:
        # 3.1 格式化引用片段（原有逻辑）
        if retrieval_result["status"] == "success":
            formatted_refs = ref_retriever.format_references(retrieval_result["data"]["references"])
        else:
            formatted_refs = "无相关外部知识引用。"
        # 3.2 生成基础答案（原有逻辑）
        history = context_manager.get_history(session_id=session_id)
        prompt = f"基于外部知识和历史对话回答：\n{formatted_refs}\n历史对话：{history}\n问题：{user_question}"
        llm_result = llm_caller.generate(prompt=prompt)
        if llm_result["status"] == "success":
            final_answer = llm_result["data"]["output_text"]
        else:
            final_answer = f"答案生成失败：{llm_result['error']}"
        # 3.3 推送资源（新增逻辑）
        resource_text = resource_pusher.generate_resource_text(
            user_question=user_question,
            session_id=session_id
        )

    # 步骤4：整合最终输出（提示+答案+资源）
    output = {
        "status": "success",
        "data": {
            "prompt": prompt_data,  # 提示信息（含是否显示、文本、可交互建议）
            "answer": final_answer + resource_text,  # 答案+资源
            "session_id": session_id
        },
        "error": None
    }

    # 步骤5：更新上下文（原有逻辑）
    if user_question and final_answer:
        context_manager.update_history(
            session_id=session_id,
            user_msg=user_question,
            ai_msg=final_answer
        )

    return output

# 测试：用户首次打开（无提问）→ 触发引导提示
print(handle_user_question_enhanced(session_id="user_001"))
# 测试：用户提问“请假流程”（模糊）→ 触发纠错提示
print(handle_user_question_enhanced(session_id="user_001", user_question="请假流程"))
# 测试：用户提问“年假申请流程”（清晰）→ 生成答案+推送资源
print(handle_user_question_enhanced(session_id="user_001", user_question="年假申请流程"))

2. 用户界面展示逻辑（以 Web 客户端为例）

在 Vue3 Web 客户端中，根据prompt_data动态展示提示，资源文本随答案一同显示，核心代码片段：

vue

<template>
  <!-- 提示展示区域（动态显示） -->
  <div v-if="promptData.show_prompt" class="mb-3 p-3 rounded" :class="getPromptClass(promptData.prompt_type)">
    <p class="text-sm">{{ promptData.prompt_text }}</p>
    <!-- 可交互提示：显示建议输入按钮 -->
    <div v-if="promptData.operable" class="mt-2 flex gap-2 flex-wrap">
      <button 
        v-for="(input, idx) in promptData.suggested_inputs" 
        :key="idx"
        class="bg-blue-100 text-blue-700 px-2 py-1 rounded text-xs hover:bg-blue-200"
        @click="fillQuestion(input)"
      >
        {{ input }}
      </button>
    </div>
  </div>

  <!-- 答案+资源展示区域 -->
  <div class="bg-white p-3 rounded shadow-sm">
    <p class="text-sm whitespace-pre-wrap">{{ answer }}</p>
  </div>
</template>

<script setup>
import { ref } from 'vue';
const promptData = ref({ show_prompt: false, prompt_text: "", prompt_type: "none", operable: false, suggested_inputs: [] });
const answer = ref("");

// 根据提示类型设置样式（引导：浅蓝，纠错：浅橙，示例：浅绿）
const getPromptClass = (type) => {
  const classes = {
    "guide": "bg-blue-50 text-blue-700",
    "error": "bg-orange-50 text-orange-700",
    "example": "bg-green-50 text-green-700"
  };
  return classes[type] || "bg-gray-50 text-gray-700";
};

// 填充建议输入到提问框
const fillQuestion = (input) => {
  // 调用父组件方法填充提问框
  emit("fill-question", input);
};
</script>

五、联调与优化：确保提示精准、资源有用

1. 高频问题与解决方案

问题类型	具体表现	解决方案
提示误触发	用户清晰提问（如 “年假申请需要几天审批”）却触发纠错提示	优化_is_vague_question方法：增加 “具体主题关键词” 判断（如含 “年假” 则不判定为模糊）
资源推送冗余	所有提问都推送相同资源（如 “社保查询” 和 “年假申请” 都推 “员工手册”）	细化scene_keywords：为 “员工手册” 添加更精准的关键词（如 “薪酬政策”“考勤制度”），避免泛化匹配
提示干扰用户	用户正在输入时弹出引导提示，打断操作	调整提示触发时机：用户输入过程中（输入框有内容时）不触发引导提示，仅在输入框为空且超时后触发
资源链接失效	推送的下载链接 / 系统入口无法访问	在ResourceManagerComponent中添加 “资源有效性校验”：定期检查链接状态，失效资源标记为 “不可用” 并不推送

2. 优化方向（提升用户体验）

• 提示个性化：根据用户历史提问记录调整提示（如频繁咨询社保的用户，引导提示优先展示社保相关方向）；
• 资源权限精细化：区分 “普通员工”“管理者” 权限（如管理者可获取 “部门请假统计” 资源，普通员工不可）；
• 提示可关闭：用户点击 “不再显示” 后，同一场景的提示不再触发（通过session_id记录用户关闭偏好）；
• 资源互动反馈：用户点击资源后，记录 “资源点击量”，后续优先推送高点击量资源。

六、总结与后续扩展

1. 本集核心收获

• 明确提示与资源功能的价值定位：提示解决 “用户不会用”，资源解决 “答案不够全”，二者共同提升 Chatbot 的易用性与实用价值；
• 掌握组件化实现方法：提示功能通过PromptGuideComponent实现场景化判断与生成，资源功能通过 “管理 + 推送” 双组件实现存储与推送，均遵循 MCP “低耦合” 原则；
• 学会整合逻辑：将新增组件融入现有 MCP 分层，不破坏原有流程，同时通过用户行为记录、场景匹配提升功能精准度。

2. 后续扩展方向

• 多模态提示：支持语音提示（如移动端 Chatbot 用语音引导 “您可咨询年假政策”）、图文提示（如用流程图展示 “请假流程” 示例）；
• 资源动态更新：对接企业内部文档系统（如 Confluence），当文档更新时自动同步到ResourceManagerComponent，无需手动维护；
• 智能资源推荐：结合用户角色、部门、历史行为，实现 “千人千面” 的资源推送（如研发部门用户优先推送 “研发项目报销流程” 资源）；
• 提示效果分析：添加 “提示转化率” 统计（如用户点击示例提示后提交提问的比例），持续优化提示内容与触发时机。