Cherry Studio 進階配置教學:同時接入多家官方 API、搭建本地知識庫與掛載 MCP 工具完整指南

想在一個桌面客戶端裏同時切換 OpenAI、Claude、Gemini、DeepSeek,還能查本地文檔和跑 MCP 工具?本文按 Cherry Studio 官方文檔整理多服務商配置、本地知識庫搭建與 MCP 伺服器掛載步驟。

NNathaniel bigo··原創首發·AI 輔助撰寫
11 分鐘讀完
資料核對於 2026-11-18 · 依據官方文檔與公開資料整理 其他 帳號

結論先說

  1. 多服務商共存靠「逐家啟用 + 模型能力標籤校驗」:在「設定 > 模型服務」分別填好各家官方 API Key 並點「檢測」,注意核對模型右側是否亮起視覺(眼睛)、工具調用(扳手)或嵌入(Embedding)圖標。
  2. 搭建本地知識庫前必須先配好至少一款嵌入模型:Claude 官方不提供通用文本 Embedding 接口,建庫時推薦啟用 OpenAI text-embedding-3-small、Gemini Embedding 或本地 Ollama 的 bge-m3。
  3. 掛載本地 stdio 類 MCP 優先使用軟件內置的 uv 與 Bun 環境:無需自己在系統全局折騰複雜的 Node.js 或 Python 路徑,一鍵初始化內置運行時即可跑通絕大多數 uvx 和 npx 命令。
  4. 對話輸入框底部的工具欄決定本輪是否啟用知識庫與 MCP:建好庫和配好 MCP 後,必須在當前聊天窗口底部手動點亮對應的「知識庫」和「MCP 伺服器」圖標才會生效。
  5. 谷歌密鑰準備與官方旗艦會員入口:申請 Gemini API Key 需具備個人谷歌帳號,缺號可查看本站 谷歌帳號購買說明(含 谷歌電郵成品號);若高頻長上下文對話想用固定月費代替按量帳單,可自助開通 Claude Pro 或 ChatGPT Plus。

Cherry Studio 三大進階模組配置

圖:本站根據 Cherry Studio 官方文檔:模型服務與進階功能 整理的示意圖

本文根據 Cherry Studio 官方文檔《模型服務》《知識庫》《MCP 伺服器》整理,資料核對於 2026-11-18。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是 Cherry Studio 或各模型廠商官方網站。

適用於誰

  • 不想同時開四五個網頁標籤,希望在一個桌面軟件裏隨時切換 OpenAI、Claude、Gemini 與 DeepSeek 模型的人;
  • 手頭有一批 PDF 規範手冊、Markdown 筆記或內部接口文檔,想在本地切片建立向量知識庫做精準問答的用戶;
  • 想在桌面端給大模型掛載文件系統、網頁抓取或數據庫 MCP 工具,卻卡在 npx / uvx 環境報錯的新手。

一、同時接入多家官方 API 與同屏對比回答

基礎的單服務商接入步驟可參考本站 DeepSeek 接入 Cherry Studio 和 Chatbox。當你同時握有多家官方密鑰(申請見 OpenAI API Key 獲取 與 Gemini API Key 獲取)時,按以下規範統一管理最清爽:

  1. 點擊左下角齒輪「設定(Settings)> 模型服務(Model Provider)」,依次開啟 OpenAI、Anthropic、Gemini、DeepSeek 或本地 Ollama;
  2. 每填完一家 API Key,先點「管理(Manage)」勾選你真正會用到的 2–3 個主力模型(把幾十個舊快照模型留在列表外,避免切換選單冗長),再點右上角「檢測(Check)」確認返回綠勾;
  3. 檢查能力圖標:若你打算讓某個模型調 MCP 工具,點開該模型右側設定圖標,確認已勾選「工具調用(Function Calling / Tools)」能力;
  4. 一問多答橫向比對:回到聊天介面,利用頂部的多模型提及(@)或分欄對比功能,同一條提示詞可同時發給 Claude 與 GPT,直觀對比兩家的代碼方案或文案潤色質素。

二、搭建本地知識庫:Embedding 選型、切片與 Rerank

Cherry Studio 的本地知識庫會把你的文件解析切片並轉換成向量儲存在本機目錄,提問時只把相似度最高的幾個片段塞給對話模型:

  1. 標記嵌入模型:先在任一支持向量的服務商下添加嵌入模型(如 OpenAI 的 text-embedding-3-small、Gemini 的 gemini-embedding-001 或本地 Ollama 的 bge-m3),確認模型名旁帶有 Embedding 標籤;
  2. 新建知識庫:點擊左側邊欄「知識庫(Knowledge Base)」圖標 >「添加」,輸入名稱並在下拉框選中剛才配好的嵌入模型(若你配了重排序模型,可同步選上 Rerank 模型提升複雜技術問答的排名前三命中率);
  3. 導入多源資料:支持拖入本地 PDF、DOCX、MD、TXT 文件,也支持填入公開文檔網址或整目錄文件夾;右側狀態顯示綠勾即代表向量化完成;
  4. 對話掛載:回到聊天窗口,點擊輸入框下方的「知識庫」圖標勾選目標庫,發問後可在回答底部展開查看具體引用了哪一頁原文片段。
開發帳號與編程訂閱配套提示:若在 Google AI Studio 申請免費或付費層密鑰時缺少合規谷歌帳號,可前往本站選購帶兩步驗證的 谷歌電郵成品號;若你在寫代碼時發現客戶端按 Token 調旗艦模型成本過高,也可直接搭配包月制官方編程工具,在本站免外幣卡開通 Claude Code 或 ChatGPT Plus。

知識庫與 MCP 掛載常見報錯排查

圖:本站根據 Cherry Studio 官方文檔:知識庫與 MCP 伺服器 整理的示意圖

三、掛載本地與遠程 MCP 工具完整步驟

想讓客戶端具備讀寫指定本地文件夾、查數據庫或抓網頁的能力,可接入標準 MCP 服務(協議原理見 MCP 是什麼:Model Context Protocol 入門):

  1. 一鍵裝好內置運行時:進入「設定 > MCP 伺服器(MCP Servers)」,點擊右上角環境檢查按鈕,讓軟件自動下載內置的 uv(跑 Python 類 uvx 工具)與 Bun(替代 Node npx 跑前端工具),免去 Windows 環境變量找不到命令的煩惱。
  2. 添加伺服器配置:點擊「添加伺服器」,支持標準輸入輸出(stdio)與遠程流式(SSE / Streamable HTTP)兩種類型。例如掛載官方本地目錄讀寫工具(請將末尾路徑替換為你允許訪問的單個工作文件夾,切勿掛載整塊系統盤):
json
{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "D:/work/docs"]
    }
  }
}
  1. 開啟開關並在聊天窗掛載:儲存後打開該 MCP 右側開關,看到綠點在線並列出可用 Tools 清單即代表握手成功;最後回到聊天輸入框底部點亮「MCP」按鈕勾選該服務即可調用。

常見問題

問:為什麼我新建知識庫時,「嵌入模型」下拉列表是空的?

答:說明你當前啟用的模型列表裏沒有任何被識別為 Embedding 類型的模型。去「設定 > 模型服務」裏添加專門的嵌入模型(不要誤選普通聊天模型),並在該模型的屬性彈窗裏勾選「嵌入(Embedding)」標籤後再回來創建。

問:知識庫建好後,把生成向量用的那家 API Key 刪掉還能繼續檢索嗎?

答:不能。每次你提一個新問題,客戶端都需要調用同一個嵌入模型把你的問題也算成同維度的向量,才能和本地存好的文檔向量算餘弦相似度。一旦更換嵌入模型,必須點擊重建索引。

問:掛太多 MCP 伺服器會不會讓每次普通聊天都變貴?

答:會。只要你在當前會話輸入框勾選啟用了某個 MCP,它底下的所有工具名稱和 JSON 參數說明都會隨每輪對話作為系統上下文發送給大模型,白白消耗輸入 Token。不用的 MCP 隨手在輸入框底部取消勾選即可。

問:國內沒有外幣卡怎麼買谷歌帳號或開通 Claude、ChatGPT 訂閱,能開報銷發票嗎?

答:可在本站 谷歌帳號購買頁、Claude Pro 充值頁 或 AI 會員充值總覽 下單,支持支付寶、微信支付與 AlipayHK,會員升級提供無需交出密碼的卡密自助兌換,企業採購支持開具國內增值稅發票;實時價格與售後邊界(掉訂閱按剩餘天數折退,封號不在質保範圍)以商品頁說明為準。

相關教學

參考資料

  • Cherry Studio 官方文檔:模型服務商配置總覽 — https://docs.cherry-ai.com/pre-basic/providers/providers
  • Cherry Studio 官方文檔:本地知識庫創建與檢索 — https://docs.cherry-ai.com/advanced-basic/knowledge-base
  • Cherry Studio 官方文檔:MCP 伺服器環境與接入說明 — https://docs.cherry-ai.com/advanced-basic/mcp/overview

Nathaniel 的更多內容

  1. 01

    獨立開發者用 ChatGPT + Codex 跑通產品全流程:市場驗證、PRD、原型到代碼上線覆盤清單

    單人做獨立產品最容易陷入「閉門寫兩個月代碼上線零用戶」或「AI 寫到一半目錄越改越崩」。本文整理「ChatGPT 負責市場驗證、PRD 與覆盤 + Codex 負責工程實現與測試」的五階段雙軌流程,附起手提示詞與 7 項上線覆盤清單。

    ChatGPTCodex0
  2. 02

    用 ChatGPT 批量生成規範文件命名規則、整理混亂目錄樹與合併零散發票抬頭清單腳本

    面對滿桌面的「新建文件夾」「最終版2」和上百張零散電子發票,手工改名抄台帳耗時又容易漏重。本文分享先脫敏取樣、再用 ChatGPT 生成帶預演和回滾日誌的本地 Python 腳本,離線安全完成目錄整理與發票抬頭合併去重的實戰流程。

    ChatGPT0
  3. 03

    用 ChatGPT 做海外電郵營銷(EDM)受眾分層文案、A/B 主題行測試與防進垃圾箱自檢

    做海外獨立站或出海 SaaS 電郵營銷(EDM),最怕千人一面群發被直接送進垃圾箱。本文結合 Gmail/Yahoo 批量發件人規範,梳理用 ChatGPT 設計受眾分層文案、批量生成 A/B 主題行矩陣並開展發前垃圾詞與合規自檢的實戰提示詞。

    ChatGPT0
  4. 04

    用 ChatGPT 寫 Notion Formula 2.0 公式、Obsidian Dataview 查詢與 Airtable 自動化腳本

    給 Notion 數據庫寫多條件 Formula 2.0 公式、給 Obsidian 寫 Dataview 動態看板,或在 Airtable 裏寫自動化腳本,經常因為一個小括號或類型不匹配報錯半天。本文整理三大工具的通用上下文喂料規範與三套直接可複製的生成提示詞。

    ChatGPT其他 AI 工具0
  5. 05

    用 ChatGPT 處理複雜 JSON / YAML / XML 字段映射、格式轉換與校驗規則編寫實戰

    對接第三方 API、遷移 Kubernetes 配置或解析政企 XML 報文時,手工對照幾百行嵌套字段既慢又容易漏掉空值與類型邊界。本文整理用 ChatGPT 完成字段映射表梳理、生成確定性轉換腳本以及編寫 JSON Schema / Pydantic / XSD 校驗規則的實戰流。

    ChatGPT其他 AI 工具0
  6. 06

    用 ChatGPT 準備本科/碩士畢業論文答辯:提煉答辯 PPT 結構、模擬導師犀利追問與 3 分鐘自述稿

    畢業論文寫完後,要在 3–5 分鐘內講清研究價值並頂住答辯評委的連環追問並不輕鬆。本文整理在嚴格遵守高校學術規範的前提下,用 ChatGPT 提煉答辯 PPT 結構、打磨 3 分鐘口語自述稿並開展模擬導師犀利追問的排練流程與提示詞。

    ChatGPT0

同產品的其他教學

  1. 01

    用 ChatGPT 速讀英文產品手冊、開源文檔與 GitHub Issue 並沉澱團隊中文內訓手冊

    團隊引入海外 SaaS 工具或開源框架時,全英文文檔晦澀冗長、真正的坑全藏在幾十頁 GitHub Issue 討論裏。本文分享速讀拆解英文手冊、歸類 Issue 排障庫以及重構團隊中文內訓 SOP 的完整實戰流程。

    ChatGPT其他 AI 工具0
  2. 02

    用 ChatGPT 寫油猴腳本(Tampermonkey)與瀏覽器書籤小工具解決網頁繁瑣重複操作實戰

    每天在後台系統裏重複勾選幾十個複選框、手工複製網頁表格或清理遮擋閱讀的側邊欄,既枯燥又浪費時間。本文分享不會寫 JS 也能用 F12 配合 ChatGPT 寫出油猴腳本與書籤小工具的完整實戰流程。

    ChatGPT其他 AI 工具0
  3. 03

    用 ChatGPT 寫高質素 SQL 窗口函數(RANK / LAG / SUM OVER)做留存與漏斗分析實戰

    做用戶留存率、復購間隔與有序轉化漏斗時,多層自連接既難讀又拖垮數據庫,窗口函數則是高效解法。本文整理數據庫方言喂數規範、CTE 分層提示詞以及用內置沙盒先驗證再上線的完整實戰流程。

    ChatGPT其他 AI 工具0
  4. 04

    ChatGPT 連接 Canva、Figma、Linear、Jira、Dropbox 等第三方應用搜不到數據或授權失效怎麼辦

    在 ChatGPT 接入 Canva、Figma、Linear、Jira 或 Dropbox 後,明明顯示已連接卻搜不到文件工單,或老提示授權失效怎麼辦?本文拆解帳號錯綁、OAuth 範圍漏選、權限繼承與管理員攔截 5 步排障法。

    ChatGPT其他 AI 工具0
  5. 05

    Anthropic Contextual Retrieval(上下文增強檢索)是什麼、怎麼實現:給文檔塊自動補背景摘要結合緩存降失誤率

    長文檔切成小塊後丟了公司名、年份和主語指代導致 RAG 頻頻搜錯?本文按 Anthropic 官方技術文章詳解 Contextual Retrieval 原理、官方公開評測失誤率下降 49% 至 67% 的組合架構,以及用 Claude 提示詞緩存低成本批量生成切片背景的完整 Python 代碼。

    Claude其他 AI 工具0
  6. 06

    RAG 知識庫回答不準怎麼調優:切片大小(Chunking)、BM25 + 向量混合檢索與 Rerank 重排序三步排查法

    搭好的 RAG 企業知識庫一問具體型號、報錯碼或跨行表格就答非所問?本文按 OpenAI 與 Anthropic 官方檢索文檔,給出先隔離檢索與生成故障、再按結構化切片(Chunking)、BM25 加向量混合召回(RRF)與 Rerank 重排序逐層調優的三步法。

    Claude其他 AI 工具0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~