Cherry Studio+MCP实战：搭建本地知识库与AI智能体完整教程

为什么选择Cherry Studio搭建AI智能体

在众多AI桌面客户端中，Cherry Studio凭借开源免费、跨平台的特性正在快速受到开发者青睐。它同时支持Windows、Mac和Linux，实现了真正意义上的跨平台操作。更关键的是，Cherry Studio引入了对**MCP（Model Context Protocol）**的原生支持，让个性化AI助手的搭建门槛大幅降低。

本文将基于B站一份详细的实操教程，梳理如何使用Cherry Studio结合MCP和本地部署模型，从零打造一个既能自动化执行任务、又能保护数据隐私的AI智能体和个人知识库。

基础配置：接入DeepSeek模型

安装完成后的第一步是配置AI模型。Cherry Studio默认接入的是硅基流动（SiliconFlow）的服务，注册并填写邀请码即可免费获得2000万token。不过本教程选择了另一个方向——接入DeepSeek。

配置流程非常直接：在设置中找到「深度求索」，前往DeepSeek开放平台获取API Key，粘贴回客户端后点击检测即可。这里有个值得注意的细节：DeepSeek Chat对应的是DeepSeek V3模型，而DeepSeek Reason对应的是R1推理模型。检测显示连接成功后，就可以在对话页面开始使用了。

MCP协议：让AI连接外部工具的标准接口

MCP是由Anthropic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。一个形象的比喻是：MCP就像USB接口，让不同的设备能够方便地连接在一起。

简单来说，MCP是一个智能转换器，它让AI不仅能理解问题，还能自动处理具体任务——查询数据库、调用API、读写文件等等，极大地扩展了AI的应用边界。这种「搭积木」式的构建方式，是实现自动化智能体的核心思路。

MCP环境准备：安装UV、Bun与Node.js

在配置MCP之前，需要安装两个关键工具：

• UV：用于管理Python环境
• Bun：用于运行JavaScript和TypeScript应用

目前大部分MCP服务器都是用Python和TypeScript开发的，因此这两个工具必不可少。这里有一个容易踩坑的地方：Cherry Studio只使用内置的UV和Bun，不会复用系统里已安装的版本。因此即便系统里已有这两个工具，也必须在Cherry Studio内再次安装。由于安装包从GitHub下载，速度可能较慢甚至失败，遇到这种情况可以手动下载文件放置到指定路径，安装后记得重启客户端才能生效。

此外，部分MCP服务基于Node.js构建，还需前往官网安装最新稳定版Node.js，并通过node -v和npm -v命令验证安装成功。

Cherry Studio配置MCP的两种方式

Cherry Studio提供了两种配置MCP的方式：

1. 快速创建：通过命令行参数配置，与Cline的配置方式相似
2. JSON导入：与Claude Desktop的配置方法相同

在GitHub的MCP项目页面，可以找到大量开箱即用的MCP Server。例如filesystem用于自动化处理本地文件操作，配置时需要将JSON中的路径改为本地允许访问的目录；数据抓取工具Firecrawl则需先在官网获取token额度并替换API Key。

MCP于2024年11月由Anthropic正式开源发布，其设计理念借鉴了语言服务器协议（LSP）的思路——通过一套统一的通信规范，让AI模型与外部工具之间的集成变得可互换、可复用。在MCP出现之前，每个AI应用若要调用外部工具，都需要编写专属的适配代码，生态高度碎片化。MCP定义了三种核心原语：Resources（资源，供模型读取的数据）、Tools（工具，供模型调用的函数）和Prompts（提示模板）。开发者只需按照MCP规范实现一个Server，任何支持MCP的客户端（如Cherry Studio、Claude Desktop、Cursor等）都能直接接入，实现了「一次开发、多端复用」。目前MCP生态已有数百个开源Server，覆盖文件系统、数据库、搜索引擎、浏览器自动化、代码执行等几乎所有常见场景。

MCP实战演示：三个自动化任务场景

配置完成后，回到对话页面，通过MCP选项激活所需的服务器（显示绿色即为激活成功）。这里有一个重要提醒：不需要MCP功能时应及时关闭开关，以减少token消耗、节省成本。

注意：DeepSeek R1模型不支持MCP调用

一个必须注意的坑：原生的DeepSeek R1模型不支持function calling。当尝试用R1让AI新建txt文件时，模型转了半天最终报错。而Cherry Studio调用MCP服务器依赖的正是大模型的function calling能力，因此必须换成DeepSeek V3才能顺利完成任务。这是许多用户容易忽视的关键区别。

Function calling（函数调用）是大语言模型的一项关键能力，允许模型在生成回复时识别出「此处需要调用外部工具」，并输出结构化的调用指令（包含函数名与参数），而非直接生成自然语言答案。客户端收到调用指令后执行对应函数、将结果返回给模型，模型再据此生成最终回复。这一机制是MCP、OpenAI插件等所有工具调用框架的底层基础。DeepSeek R1是专为复杂推理设计的模型，其训练目标侧重长链条思维（Chain-of-Thought），官方明确表示当前版本不支持function calling及system prompt，因此无法驱动MCP工具链。DeepSeek V3则是通用对话模型，完整支持function calling，适合需要频繁与外部工具交互的智能体场景。

三个典型自动化场景

换成V3模型后，以下三个场景展示了MCP的实际应用效果：

• 网页数据抓取到CSV：借助Firecrawl工具抓取AI模型排行榜网页，自动整理成CSV格式并呈现
• 生成分析报告：搜索英伟达RTX 50系列显卡信息，通过文件系统功能自动生成一份包含架构、核心技术、性能参数的Markdown中文分析报告
• 控制Shell命令：通过MCP Shell查询Docker版本号，成功返回28.0.4

值得强调的是安全问题：MCP Shell功能强大，可以执行大量系统操作，但使用时一定要严格限制权限，确保只执行预设任务，以免误操作导致任务终止或数据丢失等后果。

用Cherry Studio搭建本地知识库

第二部分是使用Cherry Studio结合本地部署的AI模型搭建个人知识库。相比云端方案，本地部署的核心优势在于数据隐私与离线可用。

使用Ollama部署本地模型

本地模型部署选用Ollama。安装后桌面不会出现快捷方式，需通过命令行ollama version验证，或在系统状态栏查看「小绵羊」图标确认运行状态。

在选择模型时，有一个务实的建议：Qwen3旗舰版参数量高达235B、体积达142GB，远超普通个人电脑能力范围。对于本地场景，应从较小版本开始尝试，在性能与资源消耗间取得平衡。演示中选用了最小的Qwen3 0.6B模型。

此外，构建知识库还需要一个嵌入模型（Embedding Model），其作用是把文字转换为向量表示，让计算机理解文本语义以实现快速检索。这里推荐使用BGE-M3模型。

嵌入模型（Embedding Model）与对话模型的职责截然不同：对话模型负责理解指令、生成回答，而嵌入模型的唯一任务是将文本转换为高维向量（一串浮点数），使语义相近的文本在向量空间中距离更近。知识库检索时，系统会先用嵌入模型将用户问题向量化，再在向量数据库中搜索余弦相似度最高的文档片段，最后将检索到的内容连同问题一起送入对话模型生成答案——这一流程称为RAG（Retrieval-Augmented Generation，检索增强生成）。BGE-M3是由智源研究院（BAAI）开源的多语言嵌入模型，支持中英文等100余种语言，单文本最长可处理8192个token，在中文语义检索任务上表现尤为突出，是本地知识库场景的主流选择之一。

在Cherry Studio中创建和使用知识库

回到Cherry Studio的设置页，启用Ollama并添加刚下载的两个模型——注意必须完整填写正确的模型名称，可通过ollama list命令查看完整名称后复制。

随后在左侧知识库选项中新建知识库，嵌入模型选择本地部署的BGE-M3。知识库支持文件、目录、网址、笔记等多种数据形式。演示中上传了一份用AI生成的「爱猫无忧手册」，文件加载成功后即可检索。

在对话页面选择本地Qwen3模型、关联知识库后，AI就能基于文档内容准确回答问题——如「宠物猫小花什么时候打的疫苗」「小花什么时候出生」等。而一旦取消知识库关联，AI便无法回答这些问题，验证了RAG检索增强的效果。

本地部署与云端方案的取舍

本地部署的优势明显：不依赖网络连接、断网也能运行，且所有操作都在本地完成，敏感信息不会外泄。这对于处理公司机密文件、涉及个人隐私的数据等场景至关重要。

但本地部署也有明显短板——模型性能通常不如云端在线服务。因此在选择部署方式时，需要综合考虑实际需求、硬件资源限制，以及对性能和隐私的不同侧重。

总结：低门槛构建个性化AI智能体

借助Cherry Studio + MCP + 本地大模型的组合，用户可以像搭积木一样快速构建个性化的自动化智能体和个人知识库。这套方案的价值在于：既能将繁琐任务自动化以提升效率，又能在需要时保障数据安全。

对于想入门AI智能体的开发者和爱好者来说，这是一条门槛低、可玩性高的实践路径。建议从简单的文件操作和知识库检索开始，逐步探索MCP广场中更多实用的服务器工具。