在 AI 工具如雨后春笋般涌现的当下,CherryStudio 以其卓越的全能性脱颖而出,堪称地表最好用的全能 AI 助手。无论是工作中的文案撰写、数据处理,还是生活里的创意激发、知识查询,它都能大显身手。接下来,就为大家带来 CherryStudio 的保姆级使用教程,助你快速上手,充分挖掘其强大功能。
1、Cherry Studio 简介
工具名称:Cherry Studio
官网:https://cherry-ai.com/
支持平台:Windows / macOS / Linux
授权方式:免费开源
你可以在官网直接下载并安装Cherry Studio
下载安装Cherry Studio之后,你便可以在这一个工具中,配置和使用多个AI工具了!
2 、我的使用方式
Cherry Studio支持丰富的AI工具,你可以通过两种方式来使用它们:
- 通过配置API来使用。
- 通过AI工具的网页版来使用,这在Cherry Studio中叫作“小程序”。
在我自己的使用过程中,两种方式的使用频次都很高。
首先,Cherry Studio支持很多的网页版AI工具,即小程序:
我把自己经常使用的网页版AI工具——豆包和Kimi,固定在了左侧工具栏中:
这两个网页版的AI工具,主要用于解决封闭性问题,或输出陈述性知识,因为这类知识都非常简单,且通常有明确的答案。这样的需求,豆包和Kimi能够更快速地给出答案,且不会消耗API费用。
其次,我也在Cherry Studio配置了一些AI工具的API key——
主要是三个最常用的:
- 硅基流动,这是最主力使用的,包括了deepseek-r1的推理模型、v3非推理模型,以及千问。
- OpenAI。
- Gemini。
另外,也配置了本地化的Ollama。
通过API来使用的AI工具,主要帮助我解决比较复杂的问题,尤其是需要深度思考的问题。
3、 使用Cherry Studio
Cherry Studio的使用非常简单,尤其是添加小程序,完全是上手即用。所以,我们关于Cherry Studio的使用指南,主要集中在需要配置API的AI工具上。
但这也并不复杂,你只需要通过以下三个步骤,就能完成配置:
- 配置模型服务。
- 添加智能体和助手。
- 进行问答。
以下,是实践指南。
1. 配置模型服务
除了小程序以外,Cherry Studio中的AI工具,都需要配置API key,才能正常使用。这里,我们以比较流行的硅基流动平台为例,来进行配置。
简单来说,你需要从硅基流动的网站中,申请一个API key,填写到Cherry Studio中。
直接打开硅基流动的网站:https://siliconflow.cn
,注册账号并打开API页面,申请即可——
得到API key之后,打开Cherry Studio的设置,找到模型服务
中的硅基流动
,并将API key粘贴进去即可——
现在,你的Cherry Studio已经连接到了硅基流动平台,但我们还需要为Cherry选择所使用的模型。
打开硅基流动的模型广场
,找到你需要使用的模型,并将模型名粘贴到Cherry Studio里的添加模型界面即可——
推荐配置上两个模型:
- 推理模型 deepseek-r1,用于深度思考一个复杂问题。
- 非推理模型 deepseek-v3,用于快速输出一个复杂问题。
如果你有其他AI平台的API key,也可以在Cherry Studio中一并填上。
另外,我也配置了本地化的Ollama,用来读取自己的知识库——
2. 添加智能体和助手
配置好模型之后,我们便可以基于这些模型,来创建智能体和助手了。
关于智能体和助手,我们可以做一个简单的比喻——
智能体,相当于你的备选专家库。
当你有特定需要的时候,比如你要站在一名产品经理的角度来解答问题,那么你可以选择产品经理的智能体添加为助手。
在Cherry Studio中,直接内置了各行各业的上千个智能体:
挑选一个你需要的,点击右键,即可添加为助手。比如,在我的Cherry Studio中,有这么几个常用的助手,用于解答各种类型的问题:
3. 进行问答
有了助手之后,就能进行问答了。比如我创建助手——太乙真人,会给我这样的回答:
4 、推荐设置
要更好地使用Cherry Studio,推荐你进行以下几项设置——
1. 配置同步和导出
Cherry Studio是一款单机版的软件,这意味着,如果你有多台电脑,那么,不同设备间的数据是不能同步的。
但是,Cherry Studio提供了自定义同步和丰富的导出功能——
同步方面,我使用Webdav方式,将数据同步到自己的NAS上,换一台设备,恢复一下,完美无缝同步!
导出方面,我主力使用的知识管理工具Notion和Obsidian,Cherry Studio都支持直接导出。
如果是导出到Notion,会以数据库的方式存储——
5、如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费
】
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。