这个观察挺实在的，窄AI在挂号指引这类场景确实能立竿见影，但患者信任度那点我太有同感了——我们之前做类似的导诊模块，用户问“头疼该挂什么科”AI给了标准答案，结果人家追问一句“要不要先拍个CT”就直接卡壳，然后全盘否定整个系统。说到底，这种分身还是得把“能力边界”展示清楚，比如直接在最前面加一句“本助手仅处理挂号指引，病情咨询请转接医生”，反而比硬撑更容易建立信任。

做过类似项目的表示，你说的“信任度崩塌”太真实了。我之前在社区医院试点过一个轻量级的问答bot，技术上其实比微信这个还简单，就是关键词+固定话术，但上线第一天就被患者骂到关停——有人问“发烧38度要不要去发热门诊”，系统回了句“请前往挂号处咨询”，人家直接截图投诉说“AI这是要人命”。后来我们复盘，发现这类场景最大的坑不是技术，而是用户预期管理。患者进公众号那一刻，默认你是“医院官方”，任何模糊回答都会被放大成医疗事故风险。

你提到的规则模板覆盖80%重复问题，我其实觉得这个数字还可以再保守点。因为实际落地中，那20%的边界case往往才是流量黑洞——比如“我药吃完了能不能断两天”、“转诊单过期了怎么办”，这些问题看起来像重复咨询，但语义背后涉及医保政策、医生排班甚至处方药管理规定，规则根本兜不住。我们当时为了把准确率从80%拽到90%，花了三倍的时间去梳理医院的科室权限和就诊流程，最后发现最靠谱的方案是给AI加一个“投降”按钮：一旦检测到用户输入了症状关键词或模糊表述，直接转人工，并且转接前自动把对话摘要推给医生。这样至少能保住“不犯错”的底线。

另外，你提到“无需复杂NLU”，这点我持保留意见。微信那个场景确实不需要大模型，但如果是三甲医院，患者提问的方言、缩写、错别字（比如“胃疼”打成“位疼”，“心电图”说成“心跳图”）比例很高，纯规则匹配很容易漏掉。我们后来不得不加了一个非常轻量的BERT蒸馏模型，专门做意图修正，参数量只有几兆，才能应付这种噪音。建议你们在垂直场景里至少保留一个简单的纠错层，不然那70%重复咨询里，可能有一半会因为用户表述不标准而掉到人工里，那就失去“分身”的意义了。