Cherry Studio

多模型 AI 桌面客户端 Cherry Studio 简介

Cherry Studio 是一款跨平台的 AI 桌面客户端，支持 Windows、macOS 和 Linux，中文站点为 cherryai.com.cn。它把「同时用十几个大模型」这件事收进一个窗口：智能对话、自主智能体、AI 绘图、知识库、AI 翻译集中在同一个界面里，服务商与密钥由用户自己配置。

它的产品立场很清楚——不做模型，做入口。对同时订阅 DeepSeek、Kimi、通义千问、智谱 GLM，又想在本地跑 Ollama 的人来说，真正的成本不是模型费用，而是在五六个网页之间复制粘贴提示词的时间。

核心能力集中在四块

• 多模型对话：官网给出的口径是支持三百多个主流大模型、五十多家 AI 服务商，国产的 DeepSeek、Kimi、通义千问、智谱 GLM、豆包、MiniMax 与海外的 OpenAI、Claude、Gemini 都在列，同时支持通过 Ollama、LM Studio 使用本地模型。
• 自主智能体：给定一个目标，智能体自行推理、拆解步骤、调用工具执行，过程中用户保留控制权；客户端内置数百个预配置助手，覆盖写作、编程、学习、翻译、营销等场景。
• 知识库：可导入本地文件与网页作为知识源，支持 PDF、Word、Excel、TXT、Markdown 等格式，构建专属问答；配合 WebDAV 文件管理做多设备同步。
• AI 绘图与翻译：支持多种绘图模型出图；翻译既可走独立翻译页，也可在对话栏内直接调用。

文档与渲染这块做得比多数客户端细：Office 文档、图片、PDF 都能直接进对话，Mermaid 图表、代码高亮、完整 Markdown 渲染都在，公式与 HTML 预览也支持。这些不是卖点，但决定了它能不能替代掉「浏览器 + 编辑器 + 截图工具」的组合。

数据本地化是它最实在的差异

官网明确写了两条：所有数据（对话记录、设置、知识库文件）存储在本地设备，不上传第三方服务器；备份支持本地与云端两种方式，另有 WebDAV 用于跨设备同步。

对用自己 API 密钥的人来说，这条比功能清单重要。密钥存在本地、对话存在本地，意味着工具的信任边界只落在「你和服务商之间」，客户端本身不参与数据留存。企业选型时这一点通常直接决定能不能过审。

与之配套的是扩展能力：支持小程序与 MCP 服务器，可以接数据库、文件系统、Web 服务等外部能力，把客户端扩展成工作台。MCP 这条路走通了，工具就不再是「聊天窗口」，而是能挂载具体业务动作的容器。

开源与商业版是两条线

社区版完全免费且开源，采用 AGPL-3.0 协议，个人使用不收费；商业使用需遵守 AGPL 要求，或联系官方获取企业授权。代码仓库在 GitHub 的 CherryHQ 组织下，社区贡献者名单在官网首页有完整展示。

企业版走的是另一套逻辑：团队 AI 工作空间、统一管理模型与权限、成员访问控制、使用情况统计。换句话说，个人版解决「一个人用好多个模型」，企业版解决「一个组织用同一套 AI 工作方式」。这两件事的技术难度不在一个量级，后者要处理的是密钥托管、权限边界和用量归集。

怎么开始用

从中文站首页的「下载」入口取对应平台安装包，官网当前提供的版本号在页面上直接标出，另有移动端与 V1 旧版本两个独立下载通道。安装后第一件事是配置服务商：填入自己的 API 密钥，或者接本地模型服务。

之后的基本流程是：建话题 → 选模型 → 对话；需要长期复用的场景建助手；有资料要问的建知识库并导入文件；要扩展能力的装 MCP 服务。文档站有分模块的中文说明，包括对话、绘图、翻译、助手、知识库、数据设置等章节。

上手成本主要集中在配置环节。相比开箱即用的网页产品，它要求用户自己准备密钥、自己理解服务商与模型的关系，这一步对非技术用户不友好，但换来的是模型选择与费用上的完全自主。

适合谁，不适合谁

适合：同时使用多家模型、受够了来回切网页的重度用户；对数据本地化有要求、不愿意让对话经过第三方的个人与企业；想用 MCP 和自定义助手搭个人工作流的技术用户；需要给团队统一模型入口与管理权限的组织。

不适合：只想打开就能用、不愿意配置密钥的用户，网页版对话产品更省事；只需要单一模型能力的轻度用户，客户端的配置成本换不回收益；完全不懂 API 概念、也没有人协助配置的团队。

边界与注意事项

第一，客户端不提供模型额度。用哪个服务商、花多少钱，取决于你自己接的密钥与订阅，软件本身免费不等于使用免费。

第二，开源不等于无风险。AGPL-3.0 对分发与网络服务有明确约束，商业集成前需要让法务确认合规路径。

第三，功能迭代快意味着文档与界面的对应关系会阶段性滞后，遇到入口变化以实际界面为准。

第四，知识库与本地模型对机器性能有要求，长文档解析、大模型本地推理都需要足够的内存与显存。

第五，涉及企业数据时，除了客户端本身，还要评估所接入的模型服务商的数据条款——数据不出本地，但请求终究要发给模型方。