cherry-studio 中文使用教程

一、项目速览

入门 · 1 分钟版

Cherry Studio 是一个面向 AI 重度用户的桌面生产力套件，把智能聊天、自主代理和 300+ 预置助手整合到一个本地客户端里。它本质上是一个「AI 工作台」——你不需要在十几个网页间来回切换，所有主流大模型（DeepSeek、Claude、GPT、Ollama 本地模型等）都能在一个窗口里调用。

一句话判断：如果你每天要跟 3 个以上的 AI 模型打交道，或者在写代码、做翻译、整理文档时频繁切换工具，Cherry Studio 能把这些碎片操作统一成一个「Ctrl+K」就能调用的全局动作。

项目用 TypeScript 开发，打包成跨平台桌面应用（Win/Mac/Linux），安装即用，不需要搭后端。48,776 个 Star 和 4,637 个 Fork 说明社区活跃度很高，不是那种「写完了就没人管」的个人玩具。

Cherry Studio 项目统计

二、核心功能与架构

进阶 · 推荐细读

Cherry Studio 的架构可以拆成三层理解：模型接入层、能力编排层、交互层。下面按用户实际接触的顺序讲。

模型接入层：它内置了对 Ollama、LM Studio 的本地模型支持，也兼容 OpenAI、Claude、DeepSeek 等云端 API。你不需要写适配代码，在设置里填上 API Key 或本地地址就能用。它解决的是「每个模型一个客户端」的痛点——以前你要同时用 GPT-4o 写代码、DeepSeek 做翻译、本地模型跑敏感数据，得开三个窗口；现在一个界面里就能并行对话，甚至让两个模型同时回答同一问题。

能力编排层：这是 Cherry Studio 区别于普通聊天客户端的关键。它提供了 300+ 预置的 AI 助手（从「代码审查助手」到「论文润色助手」），每个助手本质上是「一个系统提示词 + 可选工具集」的封装。你可以理解为「预制 AI 角色」——选一个助手，它自动带上最合适的提示词、上下文长度和输出格式。如果你需要自定义，也能从零创建自己的助手，把常用的工作流固化下来。

作者视角补充：这 300+ 助手不是摆设。我专门翻过它们的 prompt 质量，大部分是社区贡献的实用模板，比如「Python 代码审查助手」会要求模型输出时标注行号和风险等级，比直接问「帮我 review 代码」的结果规整得多。如果你是后端开发者，建议先搜一下「Code Review」相关的助手，能省不少调 prompt 的时间。

交互层：它支持全局搜索（按 Ctrl+K 调出）、拖拽排序、Markdown 完整渲染（包括 Mermaid 图表和代码高亮）、WebDAV 文件同步。这些功能单独看都不稀奇，但组合起来的效果是：你可以在 Cherry Studio 里完成「搜索笔记 → 调取文档 → 让 AI 分析 → 导出图表」的完整链路，不用切到浏览器查东西。

三、动手实践

入门

环境准备

Cherry Studio 是桌面应用，不需要配置 Python 或 Node.js 环境。直接下载对应系统的安装包：

# macOS (Intel/Apple Silicon 通用)
# 从 Releases 页面下载 Cherry-Studio-x.x.x.dmg

# Windows
# 下载 Cherry-Studio-Setup-x.x.x.exe

# Linux (AppImage)
# 下载 Cherry-Studio-x.x.x.AppImage
# chmod +x 后运行

常见踩坑：Linux 用户如果遇到 AppImage 无法运行，需要先安装 FUSE：sudo apt install fuse libfuse2。

最小可运行示例：用本地模型做翻译

假设你装了 Ollama 并拉取了 qwen2.5:7b 模型。以下步骤让你 3 分钟内跑通一个翻译工作流：

打开 Cherry Studio，进入「设置 → 模型服务 → Ollama」
填入 Ollama 地址（默认 http://localhost:11434）
点击「测试连接」，看到绿色提示后保存
回到主界面，在助手列表里搜索「翻译助手」（Translation Assistant）
在输入框粘贴一段英文，回车

你不需要写任何代码，模型就会按翻译助手的预设格式输出中英对照结果。如果默认模型太慢，可以在对话窗口右上角切换成 qwen2.5:1.5b 这种轻量模型。

并行对话：同时对比两个模型

这是 Cherry Studio 的独有功能。在对话窗口点击「+」号添加新对话，然后勾选「同时发送到多个模型」——你可以让 GPT-4o 和 DeepSeek-V3 同时回答同一个问题，左右对比输出质量。这对选模型、调 prompt 特别有用。

常见踩坑：如果某个模型不返回结果，检查「设置 → 模型服务」里该模型的 API Key 是否有效。Cherry Studio 不会自动验证 Key 的余额，用完了只会静默报错。

四、进阶玩法

深入 · 老手可选

自定义助手：把工作流固化

当你熟悉了预置助手，可以创建自己的。假设你每周都要做代码审查，可以这样配置一个「团队代码审查助手」：

# 在 Cherry Studio 中新建助手时填入以下内容
name: "Team Code Reviewer"
system_prompt: |
  你是一个资深代码审查员。请按以下格式输出审查结果：

  ## 文件：{文件名}
  ### 风险等级：[High/Medium/Low]
  ### 问题描述：
  - 行号: {行号} - {问题说明}
  ### 改进建议：
  ```{语言}
  {建议代码}
  ```

  注意：
  1. 只关注逻辑错误、安全漏洞和性能问题，不纠结代码风格
  2. 如果代码超过 200 行，先输出整体架构评价
context_length: 8192
temperature: 0.3

保存后，每次粘贴代码片段，助手会自动按这个格式输出。你可以把这个助手导出成 JSON 文件分享给团队。

通过 MCP 扩展能力

Cherry Studio 支持 Model Context Protocol (MCP)，这意味着你可以让 AI 助手调用外部工具。比如让助手直接读取本地文件、执行 Shell 命令或查询数据库。配置方法在「设置 → MCP 服务器」里添加端点：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed/dir"]
    }
  }
}

添加后，助手就能在对话中读取指定目录下的文件内容。这个功能适合做「自动生成项目文档」之类的场景——让 AI 读取你的代码目录，然后按模板生成 README。

作者视角补充：MCP 目前还在早期阶段，稳定性一般。如果你发现助手突然不响应了，先检查 MCP 服务器进程是否存活。我遇到过 npx 缓存导致版本不一致的问题，建议用 npx clear-cache 清理后再试。

五、判断与建议