• 人工智能研究

  在Cherry Studio中轻松配置MCP，打造你的超级AI助手

  發布人 Brave 2025-04-23 00:46

  MCP，全称为Model Context Protocol（模型上下文协议），你可以把它理解为一座连接API与大语言模型的桥梁。通过MCP，AI模型可使用标准化的、通用的语言，与各种外部工具和服务进行顺畅的交流和协作。MCP让AI模型不再局限于文本生成，而是能真正地“动手”完成任务。

  Cherry Studio是一款界面简洁、功能强大的AI工具聚合平台。接下来，就让我们一起看看如何在Cherry Studio中配置并使用MCP服务器，让你的AI助手变得更加智能和全能。

  一、 Cherry Studio 客户端安装

  1. 下载：首先，访问Cherry Studio的GitHub Releases页面下载最新的Windows版本客户端。
  2. 下载地址：https://github.com/CherryHQ/cherry-studio/releases
  3. 安装：选择合适的安装路径，按照提示完成快速安装。
  4. 启动：安装后打开Cherry Studio，你会看到一个非常清爽直观的操作界面。
  5. （本文示例基于版本：V1.1.8）

  二、 MCP服务器配置入门

  启动Cherry Studio后，导航至 设置 -> MCP服务器。首次进入，系统可能会提示你需要安装 UV 和 Bun 环境。

  直接点击对应的“安装”按钮即可。通常情况下，安装成功后这两个环境提示会消失。

  • 注意：如果遇到UV环境反复提示安装失败的情况，这可能是当前版本的一个小Bug，可以暂时忽略，继续后续配置步骤，多数情况下不影响基本使用。

  三、 配置与测试MCP服务

  MCP服务主要有两种连接类型：SSE（Server-Sent Events）和STDIO（Standard Input/Output）。它们各有优劣，适用于不同场景。

  （一）远程MCP服务 (SSE类型) 配置与测试

  SSE类型的MCP服务通常运行在远程服务器上。

  • 优点：配置极其简单，无需本地环境依赖，开箱即用。适合调用在线API、获取云端数据等任务。
  • 缺点：因为服务在远端，无法直接访问你本地的计算机资源（如本地文件）。

  配置步骤：

  1. 查找服务：访问 MCP 服务聚合网站 https://mcp.so/ 搜索可用的MCP Server。这里我们以 fetch 服务为例，它能让AI模型抓取指定网页的内容。
  2. 获取URL：在 fetch 服务的页面上，找到使用SSE URL连接方式的代码片段。复制其中的URL地址（例如：https://router.mcp.so/sse/bw9c1pm8o377c8）。
  3. 添加服务器：回到Cherry Studio的MCP服务器设置界面，点击 添加服务器。
  4. 名称：自定义一个易于识别的名称（如 Fetch网页内容）。
  5. 类型：选择 SSE。
  6. URL：粘贴刚才复制的URL地址。
  7. 点击 确定 保存。你会看到服务器添加成功的提示。

  测试步骤：

  1. 配置模型：首先确保你在Cherry Studio中配置了支持函数调用（Function Calling）的大模型服务。在 设置 -> 模型服务 中，点击底部的 管理 按钮。选择模型时，请留意模型名称后带有“扳手”图标的模型，这些通常表示支持工具调用。（详细模型配置可参考Cherry Studio相关文档）。本例以配置好的硅基流动模型为例。
  2. 选择助手与模型：回到主界面，选择一个助手（或使用默认助手），点击顶部的模型服务切换按钮，选择你刚才配置好的支持函数调用的模型。
  3. 启用MCP服务：在聊天输入框底部，你会看到一个MCP服务器图标。点击它，确保 Fetch网页内容 服务旁边的开关是开启状态。（重要：每次使用前都要检查并手动开启所需服务）。
  4. 发出指令：现在，你可以向AI助手发出指令了，比如：“请帮我访问 [某个网址] 并总结一下主要内容。”
  5. 查看结果：AI模型会调用 fetch 服务抓取网页信息，并根据内容进行回复。

  • 提示：如果收到错误代码或无法访问，可能是目标网站设置了防爬虫机制，禁止AI抓取。可以尝试更换其他网站进行测试。

  （二）本地MCP服务 (STDIO类型) 配置与测试

  STDIO类型的MCP服务直接在你的本地计算机上运行。

  • 优点：能够直接访问本地文件系统、调用本地安装的应用程序，实现AI与本地资源的深度集成。例如，让AI读取本地文档、分析本地表格数据、甚至调用本地绘图工具。
  • 缺点：需要在本地预先配置好相应的运行环境（通常是Python或NodeJS），配置相对复杂一些。

  配置步骤：

  1. 查找服务包：在Cherry Studio的MCP服务器设置界面，点击 NPX包列表 后方的 搜索 按钮。
  2. 搜索并添加：输入服务包名称进行搜索。这里我们以 @modelcontextprotocol/server-filesystem 为例，这是一个允许AI操作本地文件的服务。搜索到后，点击 添加服务器。
  3. 编辑服务器信息：系统会自动填充大部分信息。你需要关注 参数 部分。在此处添加你希望AI能够操作的本地目录路径。注意：每个参数需单独占一行。例如，如果你想让AI操作 D:\ai 目录，就在参数框中输入 D:\ai。点击 确定 保存。
  4. 确认添加：你会看到 filesystem 服务添加成功的提示。

  测试步骤：

  1. 选择助手与模型：同SSE测试步骤1、2。
  2. 启用MCP服务：在聊天输入框底部的MCP服务器图标菜单中，现在除了 fetch 服务外，还会看到刚才添加的 filesystem 服务。确保其开关处于开启状态。
  3. 发出指令：向AI助手发出操作本地文件的指令，例如：“请在 D:\ai 目录下创建一个名为 mcp学习笔记.txt 的文本文件。”
  4. 验证结果：AI模型会调用本地的 filesystem 服务执行命令。之后，你可以去 D:\ai 目录下检查，应该能看到新创建的 mcp学习笔记.txt 文件。

  四、小结

  MCP协议为AI模型的应用打开了新的大门，让AI不再仅仅是“聊天机器人”，更能成为可以调用工具、执行任务的得力“助手”。而Cherry Studio这样的客户端工具，则大大降低了我们普通用户体验和使用MCP功能的门槛。通过简单的配置，无论是利用便捷的SSE远程服务，还是功能强大的STDIO本地服务，我们都能根据自己的需求，在Cherry Studio中定制出能力更强的个性化智能助手。随着MCP生态的不断发展，未来AI助手的可能性将更加广阔，值得我们持续关注和探索。现在，不妨就动手试试在Cherry Studio中配置你的第一个MCP服务吧！

  Brave 回复 3 weeks, 3 days ago 1 成員 · 0 回复
• 0 回复

登入後即可回复