Cherry Studio + MCP 实战：搭建本地知识库与自动化AI智能体

Cherry Studio 是一款开源免费的 AI 桌面客户端，支持 Windows、Mac 和 Linux 三大平台。它最大的亮点在于新版本引入了对 MCP（Model Context Protocol）协议的支持，让普通用户也能像搭积木一样，组装出高度定制化的自动化 AI 助手。本文基于 B 站 UP 主的详细教程，梳理从模型配置、MCP 接入到本地知识库搭建的完整链路。

Cherry Studio 基础配置：接入 DeepSeek 模型

完成客户端安装后，第一步是配置对话模型。Cherry Studio 默认使用硅基流动（SiliconFlow）的服务，注册账号并填写邀请码即可免费获得 2000 万 token。不过教程演示中选择了另一条路径——接入 DeepSeek^广告。

具体操作是在「设置」中找到「深度求索」，前往 DeepSeek 的 API 开放平台创建 API key，复制后粘贴回 Cherry Studio 并点击检测。这里有一个容易混淆的命名细节：DeepSeek Chat 对应的是 DeepSeek V3 模型，DeepSeek Reasoner 对应的是 R1 推理模型。两者检测显示连接成功后，就可以在对话页面添加助手并选择对应模型进行测试。

MCP 是什么，为什么它改变了 AI 客户端

MCP 是由 Anthropic 公司推出的开放标准协议，目的是为大模型提供一种标准化方式来连接外部数据和工具。教程中用了一个贴切的比喻：MCP 就像 USB 接口，让不同的设备能够方便地连接在一起。

换句话说，MCP 是一个「智能转换器」，让 AI 不仅能理解问题，还能自动执行任务——查询数据库、调用 API、读写文件等，极大扩展了 AI 的应用边界。这种模块化的设计，正是个性化 AI 助手能够快速搭建的核心原因。

MCP 协议于2024年11月由 Anthropic 正式开源发布，其设计目标是解决大模型与外部世界"最后一公里"的连接问题。在 MCP 出现之前，每个 AI 应用若要接入特定工具（如数据库、浏览器、文件系统），开发者必须为每种组合单独编写适配代码，维护成本极高。MCP 通过定义统一的「Client-Server」通信规范，将大模型（Client）与各类外部工具（Server）的接入方式标准化：只要工具方提供符合 MCP 规范的 Server，任何支持 MCP 的 AI 客户端都可以直接调用，无需重复开发。这种架构与 Web 领域的 REST API 标准化思路异曲同工，使 AI 工具生态快速繁荣——目前已有数百个涵盖搜索、数据库、代码执行、日历、邮件等方向的 MCP Server 在社区中公开维护。

配置 MCP 环境：UV、Bun 与 Node.js

在 Cherry Studio 中启用 MCP 前，需要先安装两个基础工具：UV 用于管理 Python 环境，Bun 用于运行 JavaScript 和 TypeScript 应用。目前大部分 MCP 服务器都基于 Python 或 TypeScript 开发，所以这两个工具必不可少。

一个关键提醒是：Cherry Studio 只使用内置的 UV 和 Bun，不会复用系统中已安装的版本。即便你的系统里已经有这两个工具，仍需在 Cherry Studio 中重新安装一次。由于安装包从 GitHub 下载，速度可能较慢甚至失败，此时可以手动下载对应文件放到指定路径，具体步骤参考官方文档。安装完成后记得重启客户端使其生效。

除此之外，部分 MCP 服务基于 Node.js 构建，因此还需前往 Node.js 官网安装最新稳定版，安装后可用 node -v 和 npm -v 命令验证是否成功。

两种 MCP 配置方式与实用服务器

Cherry Studio 提供两种配置 MCP 的方式：JSON 导入（与 Claude Desktop 配置方法相同）和快速创建（通过命令配置，类似 Cline）。

从 GitHub 的 MCP 项目页面可以找到各种功能的现成 MCP server。教程演示了三个典型服务：

• File System：自动化处理本地文件操作，配置时需将 JSON 中的路径改为本地允许访问的目录
• Firecrawl：网页数据抓取工具，使用前需从官网获取 token 并替换 API key
• MCP Shell：控制系统 shell 命令，教程用快速创建方式配置，类型选择 stdio（标准输入输出通信）

添加完成后需手动激活，显示绿色按钮即代表激活成功。回到对话页面，点击 MCP 图标选择要启用的 server 即可。教程特别建议：不需要 MCP 功能时应关闭这些开关，以减少 token 消耗、节省成本。

关键限制：R1 模型不支持 Function Call

这是整个教程中最重要的踩坑点。实测中，用 DeepSeek R1 模型让 AI 在本地新建 txt 文件时，转了半天没有结果，最终报错——R1 模型不支持 Function Call，而 Cherry Studio 调用 MCP 服务器恰恰依赖大模型的 Function Call 能力。

换成 DeepSeek V3 后重新发送，任务顺利完成，成功在本地目录创建了包含「hello」的 txt 文件。这意味着使用 MCP 自动化功能时，必须选择支持 Function Call 的模型，纯推理型模型无法胜任工具调用任务。

Function Call（函数调用）是指大模型在回答问题时，能够主动判断"当前任务需要调用某个外部工具"，并按照结构化格式输出调用指令（工具名称 + 参数），再由客户端真正执行后将结果返回模型。这一能力需要模型在训练阶段专门针对工具调用场景进行对齐，并非所有模型默认具备。DeepSeek R1 属于强化学习驱动的纯推理型模型，其训练目标聚焦于复杂逻辑推导与数学证明，并未针对工具调用进行对齐，因此无法输出符合规范的 Function Call 格式，Cherry Studio 的 MCP 调用链自然中断。相比之下，DeepSeek V3 作为对话型模型，原生支持 Function Call，可以与 MCP 协议无缝配合。在选择模型时，需区分「推理增强型」与「工具调用型」两类模型的适用场景。

三个自动化实战场景

基于 DeepSeek V3，教程演示了三个实际应用场景：

场景一：抓取网页数据到 CSV。让 AI 抓取模型排行榜网页的全部数据并整理成 CSV 格式，它调用 Firecrawl 的 scrape 工具成功抓取内容并呈现结果。

场景二：生成分析报告。要求搜索英伟达 RTX 50 系列显卡信息、撰写 Markdown 中文分析报告并保存本地。AI 先用 firecrawl-search 搜集信息，再用文件系统功能创建文档。报告内容涵盖显卡架构、核心技术、性能等，整理相当全面（不过本地保存偶有失败，可直接下载）。

场景三：控制 Shell 命令。让 AI 查询 Docker 版本号，它成功执行 docker version 命令并返回版本号 28.0.4。教程强调，使用 MCP Shell 时务必严格限制权限，只执行预设任务，以免误操作导致任务中断或数据丢失。

用 Ollama + Cherry Studio 搭建本地知识库

教程的后半部分转向本地知识库搭建，核心工具是 Ollama。安装 Ollama 后桌面不会出现快捷方式，需用 ollama --version 命令确认安装成功，右下角状态栏会出现「小绵羊」图标。

通过 ollama run 命令可下载并运行模型。教程指出，千问三旗舰版（235B 参数）体积高达 142GB，远超普通个人电脑能力，因此建议从小版本开始尝试。演示中选用了最小的 Qwen3 0.6B 模型快速展示。

搭建知识库还需一个嵌入模型，作用是把文字转换为向量表示，让计算机理解文本语义以便快速检索。教程使用 bge-m3 模型完成这一环节。

在 Cherry Studio 的「模型服务」中启用 Ollama，用 ollama list 查看并完整填写模型名称添加进去。随后在「知识库」选项中新建知识库、选择本地嵌入模型，即可上传文件、目录、网址、笔记等多种类型的数据。上传文件出现绿色对勾即表示加载成功。

实测中，上传一份宠物猫的资料文档后，AI 能准确回答「疫苗接种时间」「出生日期」等文档内的具体信息；去掉关联知识库后，AI 则无法回答——验证了知识库检索确实生效。

嵌入模型（Embedding Model）是知识库检索的核心组件，其作用是将文本转化为高维数值向量，使语义相近的内容在向量空间中距离更近。当用户提问时，系统同样将问题转为向量，再通过余弦相似度等算法在知识库中快速找出最相关的片段，最终将这些片段作为上下文输入给对话模型生成答案——这一流程通常称为 RAG（Retrieval-Augmented Generation，检索增强生成）。教程选用的 bge-m3 是由智源研究院开源的多语言嵌入模型，支持中英文在内的100余种语言，且在中文语义理解上表现尤为突出，是本地知识库场景下较为主流的选择。嵌入模型本身不参与对话，只负责文本向量化，对硬件资源消耗相对较低。

本地部署的优势与权衡

本地部署 AI 模型的最大优势在于无需依赖网络、断网也能运行，同时保证数据隐私与安全——所有操作在本地执行，不会把敏感信息发送到外部服务器。这对于处理公司机密文件、涉及个人隐私的数据尤为重要。

代价则是性能：本地模型在效果上通常不如云端在线服务。因此在选择部署方式时，需要在性能、资源限制与隐私侧重之间做综合权衡。

借助 Cherry Studio 与 MCP 的组合，用户可以把繁琐任务自动化，把时间释放给真正重要的工作。对进阶用户而言，MCP 广场还有大量值得探索的服务器等待接入。