夜雨聆风上一篇，我们讲了 AI 工作流里的一组词。
比如：
RAG； 知识库； Embedding； 向量数据库； Tool； Agent； Workflow； 自动化； API。
这些词解决的是一个问题：
AI 怎么从“会聊天”，走向“能接资料、接工具、接流程”？
这一篇继续往下讲。
我们不再只看 AI 背后的技术。
而是回到你每天打开 AI 产品时，会在页面上、设置里、教程里经常看到的词。
比如：
模型调用、API Key、插件、权限、工作空间、私有化部署、本地部署、云端部署。
这些词看起来像产品说明。
但它们其实关系到很实际的问题：
这个 AI 工具怎么接入系统？谁能用？数据放在哪里？能不能在公司里安全落地？
这一篇还是不讲代码。
我们只讲普通职场人需要听懂的部分。
你可以先把下面这张表当成速查目录。
01 模型调用
模型调用，就是让产品或系统使用某个 AI 模型的能力。
你可以把它理解成：
让一个软件去“请 AI 模型干活”。
比如一个写作工具，背后可能会调用大语言模型来生成文章。
一个客服系统，背后可能会调用模型来回答用户问题。
一个表格插件，背后可能会调用模型来分析数据。
普通用户看到的是产品界面。
但产品背后，往往会发生一次模型调用：
用户输入问题 产品把问题发给模型 模型生成结果 产品把结果展示给用户所以当你看到“模型调用次数”“调用额度”“调用成本”这些说法时，不要被吓到。
它大概是在说：
这个产品用了多少次 AI 模型能力。
你可以这样记：
模型调用，就是产品向 AI 模型发起一次请求。
02 API Key
API Key，可以理解成调用 AI 服务时使用的一把钥匙。
它通常是一串很长的字符。
比如：
sk-xxxxxxxxxxxxxxxx它的作用是证明：
是谁在调用这个服务。
如果一个系统想调用某个 AI 平台的模型，通常需要配置 API Key。
平台通过这把钥匙判断：
你是谁； 你有没有权限； 调用了多少次； 要不要计费； 是否超过额度。
所以 API Key 很重要。
它不能随便发到群里。
也不要写进公开文档里。
因为别人拿到它，可能就能用你的额度调用服务。
你可以这样记：
API Key 是调用 AI 服务的钥匙，能不用明文暴露就不要暴露。
03 插件 Plugin
插件，就是给 AI 产品增加额外功能的小工具。
你可以把它想成：
给 AI 装一个扩展能力。
比如一个 AI 产品本来只能聊天。
装了插件之后，可能可以：
读网页； 查文档； 画图； 做表格； 连日历； 查数据库； 发消息。
插件的价值是：
不用把所有功能都塞进一个产品里。
需要什么，就安装对应插件。
但插件也要谨慎。
因为插件可能会接触你的文件、账号、系统和数据。
你可以这样记：
插件能扩展 AI 的能力，也可能扩大数据和权限风险。
04 插件市场 Plugin Marketplace
插件市场，就是集中安装和管理插件的地方。
就像手机有应用商店。
AI 产品也可能有插件市场。
你可以在里面找到不同插件：
文档插件； 表格插件； 图片插件； 数据分析插件； 项目管理插件； CRM 插件； 自动化插件。
插件市场的好处是方便。
但不代表每个插件都适合你。
安装前最好看三件事：
它要访问哪些数据？ 它由谁开发？ 它解决的问题是不是你真的需要？尤其是公司账号，不要随便安装来路不明的插件。
你可以这样记：
插件市场不是越多越好，关键是选可信、必要、权限清楚的插件。
05 权限 Permission
权限，就是控制谁能看、谁能用、谁能改。
这在 AI 工具里特别重要。
因为 AI 一旦接入资料和系统，就不只是一个聊天框了。
它可能会接触：
客户资料； 合同信息； 内部文档； 项目数据； 财务数据； 员工信息。
如果权限没管好，风险就会变大。
比如一个普通员工不应该看到所有客户合同。
那 AI 助手也不应该通过检索或回答，把这些内容透露出来。
所以企业做 AI 应用时，常常要考虑：
谁能访问这个知识库？ 谁能调用这个工具？ 谁能看到生成结果？ 谁能修改系统配置？ 谁能导出数据？你可以这样记：
权限不是限制 AI，而是给 AI 使用划边界。
06 工作空间 Workspace
工作空间，就是团队一起使用和管理 AI 工具的空间。
个人用 AI，通常就是一个账号、一个对话框。
团队用 AI，就需要工作空间。
在工作空间里，可能会管理：
团队成员； 共享知识库； 常用 Prompt； 项目文件； 插件配置； 权限角色； 使用记录。
比如一个市场团队，可以在同一个工作空间里放：
品牌手册 历史文案 活动方案模板 竞品资料 标题库 常用 Prompt这样团队成员使用 AI 时，就不需要每个人从零开始。
你可以这样记：
工作空间是团队共同使用 AI 的“办公桌”。
07 账号体系 Account System
账号体系，就是管理用户身份、登录和角色的机制。
听起来很基础。
但它决定了一个 AI 工具能不能真正被团队使用。
因为公司里不是所有人都应该拥有同样权限。
比如：
管理员可以配置系统； 普通员工可以使用工具； 外部合作方只能看部分资料； 财务资料只能特定角色访问； 离职员工需要及时移除账号。
如果账号体系不清楚，AI 工具很容易变成“谁拿到链接谁都能用”。
这在小范围试用时可能没问题。
但到了企业场景，就会有风险。
你可以这样记：
账号体系决定 AI 工具能不能被有序、安全地分配给不同人。
08 私有化部署 Private Deployment
私有化部署，就是把系统部署到企业自己控制的环境里。
它常见于对数据安全要求比较高的场景。
比如：
金融； 医疗； 政务； 大型企业； 涉及大量客户隐私的业务。
私有化部署的好处是：
数据和系统更容易由企业自己控制。
但它也有代价。
比如：
建设成本更高； 运维更复杂； 升级可能没那么快； 需要技术团队支持。
所以不要简单理解成：
私有化部署 = 一定更好它更适合对安全、合规和控制要求比较高的场景。
你可以这样记：
私有化部署是用更高成本，换更多控制权。
09 本地部署 Local Deployment
本地部署，就是把模型或工具放在自己的电脑、服务器或内网环境里运行。
它和私有化部署有点像。
但本地部署更强调：
运行地点在你自己控制的设备或环境里。
比如你在自己的电脑上跑一个开源模型。
或者公司在内网服务器上部署一个 AI 助手。
本地部署的好处是：
数据不一定要发到外部平台； 可控性更强； 可以做更多定制； 适合一些内部场景。
但它也有门槛：
需要硬件资源； 需要安装配置； 需要维护更新； 模型效果不一定比云端产品好。
你可以这样记：
本地部署更可控，但更考验技术和资源。
10 云端部署 Cloud Deployment
云端部署，就是把模型或工具放在云服务上运行。
你平时使用的大多数 AI 产品，其实都更接近云端部署。
你打开网页或 App。
输入问题。
后台云服务器处理。
然后把结果返回给你。
云端部署的好处是：
上手快； 不用自己买机器； 更新方便； 扩容更灵活； 产品体验通常更成熟。
但它也有需要注意的地方：
数据会不会上传到云端； 是否符合公司合规要求； 权限和日志怎么管理； 成本是否可控； 服务是否稳定。
你可以这样记：
云端部署更省心，但要看数据、安全和成本是否能接受。
最后，把这 10 个词放回一次工具选型里
假设你们团队想选一个 AI 写作和知识库工具。
你不能只问：
它聪不聪明？还要问：
它调用哪个模型？ 有没有 API Key 或企业接入方式？ 能不能装插件？ 插件会访问哪些数据？ 有没有工作空间？ 权限能不能分角色管理？ 账号能不能统一开通和回收？ 数据是云端部署，还是支持本地或私有化部署？这些问题听起来不如“AI 会不会写文章”那么直观。
但它们决定了这个工具能不能真正放进团队工作里。
所以学习这些词，不是为了变成 IT 管理员。
而是为了知道：
一个 AI 产品好不好用，不只看回答质量，也要看接入、权限、部署和管理。
如果你只记住一句话，可以记这句：
个人用 AI 看效果，团队用 AI 还要看权限、账号、部署和管理。
到这里，关键词扫盲系列就先告一段落。
从下一篇开始，我们可以进入更具体的实战场景：
用 AI 写周报、整理会议纪要、做竞品分析、搭个人知识库，或者把一个 Prompt 沉淀成可复用的 Skill。
如果你也想把 AI 用到日常工作里，可以关注「职场AI 实战手册」。
这里会持续分享可直接上手的 AI Skills、Prompt 和职场工作流。
