本文是一篇 Cherry Studio 的详细使用教程。Cherry Studio 是一款开源桌面 AI 工作台，可接入 GPT、Claude、DeepSeek、Kimi 及本地模型。文章系统讲解了软件安装与模型 API 配置方法，如何用多模型对比测试写作质量，利用分支功能管理不同写作路线，创建助手保存长期要求；还介绍了如何把文档整理等任务交给 Agent，配置工具权限、网络搜索、技能和 MCP；以及知识库的建立、召回测试、嵌入与重排模型的配置，和通过 Ollama、LM Studio 接入本地模型的方案。适合希望集中管理多个 AI 模型、提升日常工作流效率的用户从入门到进阶参考。
文章指出企业已投入300-400亿美元于AI，但MIT报告显示95%的试点无可衡量的利润影响，而90%以上公司的员工已自发使用AI。作者提出'工作流级采用'概念：采用=模型+个人上下文+一个重复性工作流。借助Ollama、LM Studio在本地运行开源小模型，个人可绕过许可、成本与隐私障碍，通过积累定制上下文让模型深度融入日常工作。相比企业冗长的审批链，个人采用从决定到落地只需一个下午，更具现实性。
本文是一篇面向新手的本地大模型运行与部署全攻略。文章首先对比了云端与本地模型在隐私和成本上的差异，随后用通俗易懂的语言拆解了模型命名、参数量(B)、量化压缩(Q4_K_M)等核心概念。教程详细指导了如何根据显存计算并选择合适的硬件与模型，并推荐了LM Studio与ComfyUI等无代码软件。最后，针对文本对话、图像及视频生成三大场景，提供了具体的模型选型建议与实战评测方法，帮助小白零基础快速玩转本地AI生态。
