用 Cherry Studio 配置模型、知识库与 MCP 服务器

Cherry Studio 是一个把多模型对话、知识库、MCP 外部工具和文件型智能体放进同一个图形界面的桌面客户端。它的价值在于：当你需要同时比较几个模型、把一批文献喂给模型、或者让模型去读本地文件时，不必先搭一套终端工作流，可以先在图形界面里把流程跑通，再决定要不要迁移到命令行。适合的读者是研究者、需要处理大量文档的知识工作者，以及第一次接触智能体、希望有个可视化起点的人。如果你更习惯用命令行管理模型与工具，可以对照本站的 Cherry Studio 条目了解它的能力边界，再决定是否采用。

需要先说明一点：Cherry Studio 本身只是客户端，它不提供模型。你必须自己准备一条模型访问路径——要么是某个模型服务商的 API 密钥，要么是已有的云项目凭证。因此本文的篇幅会有一半花在「怎么把模型接进来」上，这是后续所有功能的前提。

准备工作

确认你要走哪条模型访问路线

在动手安装之前，先想清楚模型从哪里来。常见的有两条互斥的路线，选一条即可，不需要两条都配：

服务商 API 密钥：在模型服务商处申请一个密钥，粘贴进 Cherry Studio。这是最直接的方式，适合个人使用和快速试验。
通过 Vertex AI 接入：如果你已经有一个 Google Cloud 项目，可以用服务账号 JSON 凭证接入，走的是 Cherry Studio 内置的 Vertex AI 提供方。这条路线与 Gemini、Google AI Studio 提供方是分开的，不要混为一谈。

如果你是在课程或团队环境中使用，先确认组织已经提供了哪条访问路径。已经提供访问权限的情况下，不要再去额外购买额度或新建云项目，重复配置只会增加凭证管理的负担。

下载与安装

到 Cherry Studio 的 GitHub Releases 页面下载对应操作系统的安装包。三个平台的安装方式如下：

macOS：打开下载的 .dmg 文件，把 Cherry Studio 拖进「应用程序」文件夹。首次启动时如果遇到系统安全提示，按住 Control 点击应用图标选择「打开」即可绕过。
Windows：运行下载的 .exe 文件，按安装向导走完，之后从开始菜单或桌面快捷方式启动。
Linux：先给 AppImage 加上可执行权限，再双击运行。

chmod +x Cherry-Studio-*.AppImage
./Cherry-Studio-*.AppImage

首次打开后你会看到一个欢迎界面，包含模型选择提示、API 配置区域和设置面板入口。此时还没有任何模型可用，下一步就是配置。

需要提前准备的东西

一个可用的模型服务商账号，以及它的 API 密钥（如果走密钥路线）。
或者：一个已启用的 Google Cloud 项目、一个为该客户端和项目授权的服务账号 JSON 凭证、以及项目管理员分配的专用身份（如果走 Vertex AI 路线）。
如果打算使用 MCP 工具，还需要知道你要挂载的 MCP 服务器地址或名称。

操作步骤

第一步：进入模型服务设置

点击侧边栏的设置图标（齿轮图标），在设置菜单中选择「模型服务」（Model Services）。所有提供方的配置都在这个页面里完成。

第二步：添加提供方并填入密钥

在模型服务页面里选择你的提供方，例如 Google AI Studio 或 OpenRouter，打开它的配置面板，然后按下面的顺序操作：

把 API 密钥粘贴到该提供方的密钥输入框。
获取模型列表，或者手动添加你打算使用的模型 ID。
选中一个模型，点击测试按钮验证连通性。
打开该提供方的启用开关。

测试通过并且开关打开之后，你就可以在对话界面里选择这个模型开始工作了。如果你的界面布局与上述描述略有差异，以你当前安装版本的实际界面为准。

第三步（可选）：通过 Vertex AI 接入云项目

这条路线适合已经有 Google Cloud 项目的组织。它导入的是服务账号 JSON 凭证，而不是复用浏览器里的 Google 登录状态——这一点很容易被误解，需要特别注意。

进入设置 → 模型服务，选择 Vertex AI 提供方。
准备一个为该客户端和项目授权的服务账号 JSON 凭证。建议向项目管理员申请一个专用身份及其权限，而不是把某个工作人员的凭证分发给多人使用。
把 JSON 内容粘贴到提供方的服务账号 JSON 输入框。Cherry Studio 会从中导入账号邮箱、私钥和项目 ID。
导入后检查项目 ID 是否正确。
设置模型和所在机构允许的区域（location）。
启用该提供方，并选择一个你的项目实际可用的模型。这里要填提供方原生的模型标识，不要填网关的别名。

配置完成后做一次最小验证：新建一个对话，选中刚配置的 Vertex 模型，先不要挂任何工具、也不要附加文件，发一条简单请求，确认能拿到回复。然后关闭对话再重新打开，确认应用内的历史记录能正常回显。如果遇到权限拒绝，回到云项目侧检查服务账号的授权范围。

第四步：按需添加其他提供方

主路线跑通之后，可以再补充一些针对特定模型或嵌入服务的提供方。以下都是可选项，不配置也不影响基本使用。

DeepSeek：点击「添加提供方」→ DeepSeek，在 DeepSeek 平台注册账号后填入密钥。模型方面优先选择提供方标记为默认或推荐的那个；一些旧的原生字符串属于历史遗留标识，不要当成当前的直连 ID 使用。你也可以通过 OpenRouter 访问受支持的 DeepSeek 模型，两条路径二选一即可。

Moonshot AI（Kimi）：点击「添加提供方」，名称填「Moonshot AI (Kimi)」，在 Moonshot 平台注册账号后填写 Base URL 和密钥。模型选择上，挑一个提供方列出的 K3 系列模型，并核对该模型的访问与控制要求。需要注意，K2 系列的直连 API 对新注册用户已经关闭，早期注册的用户目前仍可继续使用，提供方计划在 2026 年年底前后弃用，但没有承诺具体下线日期。通过 OpenRouter 的可用性与直连是两回事，直连配方不能证明 OpenRouter 上也可用。

Google AI Studio：作为一条带免费额度的备用路线。在 aistudio.google.com 注册账号并获取 API 密钥（通常以 AIza 开头），然后在 Cherry Studio 里「添加提供方」→ Google Gemini，粘贴密钥。可用的模型包括一个稳定的通用默认模型、一个用于复杂分析的预览模型、一个成本更低的预览模型，以及用于文档相似度计算的 Gemini 嵌入模型。这条路线适合处理大体量文献集合、在课程额度不足时作为备份，以及在所选模型和项目符合条件时做免费试验。免费额度有每日上限，按太平洋时间午夜重置。

价格、免费额度、模型可用性都会变动，具体以各服务商官网当前信息为准。

第五步：挂载 MCP 服务器

MCP（Model Context Protocol）让 AI 客户端能够访问外部工具和数据。没有 MCP 时，模型只能看到当前对话的上下文；挂上 MCP 之后，模型可以检索你的文献库、读写本地文件、实时搜索网页、执行结构化推理，甚至调用另一个模型给出不同视角。

安装流程很短：

进入设置 → MCP 服务器。
点击「添加服务器」。
从库中选择，或者直接粘贴 MCP 的 URL。
完成配置后测试连接。

研究场景里比较常用的几个：文件系统类 MCP 让模型读取本地文件并分析文档；顺序思考类 MCP 支持分步骤的结构化推理；Zotero MCP 提供文献库的直接访问与检索；网页搜索 MCP 补充实时信息。更进阶的还有面向沉思式问题求解的 MCP，以及跨多个提供方的多模型访问 MCP。具体装哪个取决于你的任务，不必一次全装。

第六步：在 Agent Workspace 里创建第一个智能体

对话视图只用于探索，它不会碰你的文件。真正让智能体拿到工作目录、工具和多步任务的地方，是左侧边栏「Work」下的 Agent Workspace。对很多人来说这是第一次接触智能体，也是为什么这条路径值得从图形界面开始而不是从终端开始。

创建方式：打开 Work，选择「创建智能体」，然后选择一个运行模式。智能体会获得一个工作目录和一组工具，可以执行多步任务。如果你后续需要更强的代码能力，Cherry Studio 还提供了 Coding Companion，可以从界面内启动 Claude Code、Codex 这类命令行编码智能体。

一个完整示例

下面这条路径从零开始，走完一次「配置模型 → 验证对话 → 挂载工具 → 建智能体」的最小闭环。假设你走的是 API 密钥路线。

1. 安装并首次启动。下载对应平台的安装包，按前文的平台说明完成安装，打开应用。

2. 配置提供方。点击齿轮图标 → 模型服务 → 选择 Google AI Studio（或你已有的提供方）→ 粘贴 API 密钥 → 获取模型列表 → 选中一个模型点测试 → 打开启用开关。

3. 验证一次纯对话。新建对话，选中刚配置的模型，发一条结构化输出请求，例如：

一个学生社团需要在周二 14:00 到 15:00 借用一间能容纳 12 人的房间。
请只返回 JSON，且恰好包含四个字段：purpose、people、day、time。
只使用上面给出的信息，不要调用任何工具。

检查返回结果是否严格符合字段要求。这一步的目的是确认模型连通、输出格式可控，与工具和文件无关。

4. 挂载一个 MCP 服务器。进入设置 → MCP 服务器 → 添加服务器 → 选择文件系统类 MCP → 配置并测试。测试通过后回到对话，尝试让它读取一个本地文档并总结其中的方法部分。

5. 创建智能体。打开左侧 Work → 创建智能体 → 选择运行模式 → 给它一个工作目录 → 下达一个多步任务，例如「读取目录下的三份文档，比较它们的研究方法，输出一份对照表」。

6. 收尾。如果这次只是试验，用完把不需要的提供方禁用，并清理不再需要的凭证。

注意事项

凭证安全

导入服务账号 JSON 之后，凭证会被保存在 Cherry Studio 的配置里。删除那个用于传输的 JSON 文件、或者清空导入框，都不会吊销该凭证。因此：

不要把凭证文件放进共享文件夹、截图、提示词或课程提交材料里。
本地删除与云端吊销是两件独立的事。不再使用时，除了在 Cherry Studio 里禁用提供方并移除已保存的凭证，还要请项目管理员在云侧吊销对应的密钥。
注意应用备份可能仍然保留着导入过的凭证。

路线选择上的坑

API 密钥路线和 Vertex AI 路线不需要同时配置，同时配反而容易搞混哪个模型在生效。
Vertex AI 路线不会复用浏览器里的 Google 登录状态，必须显式导入服务账号凭证。
如果所在机构不允许使用服务账号密钥，应改用其他客户端或别的认证方式，而不是绕过限制。
Vertex AI 的区域设置要符合模型和机构的要求，不要照搬别人用过的值。

模型标识与可用性

在 Vertex AI 里要填提供方原生的模型标识，不要填网关别名。
部分模型系列对新注册用户关闭了直连 API，早期用户可能仍可使用，但提供方已计划弃用。依赖某个具体模型前，先确认它当前是否对你开放。
某个模型在 OpenRouter 上可用，不代表通过直连提供方也可用，反之亦然。
免费额度通常有每日上限并按特定时区重置，做大批量处理前先确认额度规则。

功能边界

对话、文件访问、知识库和智能体是彼此独立的能力，需要哪项就单独配置哪项，不要假设配好对话就等于配好了文件访问。另外，不同版本之间界面和功能会有差异，本文描述的流程以你实际安装的版本为准；价格、配额、模型清单等易变信息，请以各服务商官网当前公布的内容为准。