问答系统之所以难以制作，主要是因为以下几个原因：

固定模式与有限知识库

传统的问答系统通常受限于固定的问答模式和有限的知识库，难以满足企业日益增长的多样化和动态化的知识需求。

上下文感知能力不足

现有模型往往没有考虑到问答上下文的情景并加以优化，导致对于领域相关的问题回答不够精确，对开放类问答的简单问题回答较为单一，且容易出现“I don’t know”类的笼统回答。

核心算法优化不足

问答系统的核心算法优化不足，也是导致回答质量不高的一个重要原因。

缺乏足量训练语料

现有问答系统缺乏足量的训练语料覆盖各种情景，这限制了系统在处理复杂问题时能够提供的准确性和多样性。

信息可靠性的挑战

智能问答系统从不可靠的数据源提取信息时，可能导致错误的推断和提供错误的答案，这在一些需要高度准确信息的领域（如医疗和法律咨询）中可能产生严重后果。

用户期望与产品开发的脱节

问答系统在开发过程中可能没有充分考虑到终端用户的需求和期望，导致用户体验不佳。例如，用户可能希望回答能够隐藏，但系统界面设计复杂，用户难以找到相关功能。

专业领域的复杂性

在药品医保等复杂专业领域，问答系统需要处理大量动态变化的信息，如政策更新、药品目录调整等，这对系统的准确性和实时性提出了更高的要求。

综上所述，问答系统的制作难点主要在于如何提升系统的智能化水平、准确性和用户体验，同时解决专业领域中的复杂性和动态变化问题。随着人工智能技术的不断进步，尤其是大语言模型（LLM）的广泛应用，未来问答系统在这些方面有望取得显著突破。