feat(chat): LLM 动态对话建议 — 替换硬编码关键词匹配

AI 回复结束后，将最近对话发给 LLM 生成 3 个上下文相关的后续问题，
替换原有的"继续深入分析"等泛泛默认建议。

变更:
- llm-service.ts: 添加 suggestions 提示模板 + llmSuggest() 辅助函数
- streamStore.ts: SSE 流式请求 via SaaS relay，response.text() 一次性
  读取避免 Tauri WebView2 ReadableStream 兼容问题，失败降级到关键词
- chatStore.ts: suggestionsLoading 状态镜像
- SuggestionChips.tsx: loading 骨架动画
- ChatArea.tsx: 传递 loading prop

desktop/src/lib/llm-service.ts

@@ -644,6 +644,21 @@ const HARDCODED_PROMPTS: Record<string, { system: string; user: (arg: string) =>
 ]`,
     user: (conversation: string) => `从以下对话中提取值得长期记住的信息：\n\n${conversation}\n\n如果没有值得记忆的内容，返回空数组 []。`,
   },
+
+  suggestions: {
+    system: `你是对话分析助手。根据最近的对话内容，生成 3 个用户可能想继续探讨的问题。
+
+要求：
+- 每个问题必须与对话内容直接相关，具体且有针对性
+- 帮助用户深入理解、实际操作或拓展思路
+- 每个问题不超过 30 个中文字符
+- 不要重复对话中已讨论过的内容
+- 使用与用户相同的语言
+
+只输出 JSON 数组，包含恰好 3 个字符串。不要输出任何其他内容。
+示例：["如何在生产环境中部署？", "这个方案的成本如何？", "有没有更简单的替代方案？"]`,
+    user: (context: string) => `以下是对话中最近的消息：\n\n${context}\n\n请生成 3 个后续问题。`,
+  },
 };
 
 // === Prompt Cache (SaaS OTA) ===
@@ -806,6 +821,7 @@ export const LLM_PROMPTS = {
   get reflection() { return { system: getSystemPrompt('reflection'), user: getUserPromptTemplate('reflection')! }; },
   get compaction() { return { system: getSystemPrompt('compaction'), user: getUserPromptTemplate('compaction')! }; },
   get extraction() { return { system: getSystemPrompt('extraction'), user: getUserPromptTemplate('extraction')! }; },
+  get suggestions() { return { system: getSystemPrompt('suggestions'), user: getUserPromptTemplate('suggestions')! }; },
 };
 
 // === Telemetry Integration ===
@@ -876,3 +892,18 @@ export async function llmExtract(
   trackLLMCall(llm, response);
   return response.content;
 }
+
+export async function llmSuggest(
+  conversationContext: string,
+  adapter?: LLMServiceAdapter,
+): Promise<string> {
+  const llm = adapter || getLLMAdapter();
+
+  const response = await llm.complete([
+    { role: 'system', content: LLM_PROMPTS.suggestions.system },
+    { role: 'user', content: typeof LLM_PROMPTS.suggestions.user === 'function' ? LLM_PROMPTS.suggestions.user(conversationContext) : LLM_PROMPTS.suggestions.user },
+  ]);
+
+  trackLLMCall(llm, response);
+  return response.content;
+}