一个基本原则始终不变：AI 模型本身始终在用户自己的系统上本地运行。Offline、Hybrid 和 Online 模式并不决定模型在哪里运行，而只是决定 Rainbow 可以使用哪些额外连接。Offline 模式下，Rainbow 不使用外部连接。Hybrid 模式下，模型仍然保持本地运行，但可以按需使用 API，例如获取最新天气信息。Online 模式下，模型同样保持本地运行；此外还可以启用集成的 Rainbow Apex Router。

RAG 已经属于个人版功能。需要时，用户自己的文档和提供的信息可以作为额外知识来源使用。例如需要分析 PDF、Word 文件或其他文档时，可以直接为当前请求调用其中相关内容，无需重新训练模型。本地模型始终是基础；在需要额外信息或最新信息时，RAG 负责补充。同时，对自身数据的控制始终是 Rainbow 的核心原则之一。本地数据存储采用 AES-256 保护，并以 Argon2id 作为额外的安全保护层。对于个人用户来说，核心很简单：模型留在自己的系统上，个人数据可以在本地管理，额外连接只在用户确实希望使用时启用。

对于企业，Rainbow 会进一步扩展这一能力。Rainbow 企业模型不是传统的 Business 版本，也不是简单接入一个通用 AI 服务。企业获得的是一个专属于自己的模型，并根据该企业进行个性化调整。哪些知识应当成为这套 AI 的一部分，由企业自行决定。为此选定的信息会经过整理，并有针对性地纳入企业自有模型的训练与调整流程。德语语言基础和德国相关基础知识已经包含在内，不计入企业 Token。最终的客户模型，以及由此产生的企业专属训练产物和模型组件，只供相应企业使用。

RAG 会补充企业模型，但不会取代它。需要长期保留的企业知识可以成为自有模型的一部分；新的或最新的信息则可以通过 RAG 额外引入。例如有一份新的 Word 文件、PDF 或报告，并需要立即使用其中的信息时，就无需重新训练企业模型。该文档可以作为当前请求的额外知识来源。两者的分工很清楚：企业模型包含需要长期成为企业自有 AI 一部分的知识；RAG 则灵活补充最新文档和信息。

企业模型同样在本地运行，并可以部署在企业自己的基础设施中。因此，企业不仅决定哪些知识进入模型，也决定模型运行在哪套基础设施上，以及允许哪些外部连接。实施前会先检查现有硬件，再根据实际基础设施调整模型规模和技术配置。这样得到的不是现成的标准方案，而是与企业现有技术资源相匹配的环境。

从技术上看，企业模型远不止可见的界面。它包括模型与系统架构、Token 化、企业知识准备、训练或模型调整、RAG 以及本地推理。Tokenizer 会把文本拆分为可处理的单位，也就是 Token。推理是完成后的模型真正运行的过程，即处理输入并生成输出的阶段。Rainbow 使用的 AES-256 加密和基于 Argon2id 的保护机制仍然是系统的一部分。因此，Rainbow 在同一技术基础上实现两个清晰目标：个人使用侧重于带有本地 AI 模型、RAG 和受控连接的有序数字工作空间；企业则在此基础上增加一个根据企业知识和基础设施定制的专属模型。两种情况下原则都相同：模型始终保持本地运行。个人用户决定使用自己的哪些信息以及哪些外部连接；企业还进一步决定哪些知识成为自有模型的一部分，以及模型运行在哪套基础设施上。