CherryStudio 与 N8N 实用指南：AI 客户端和工作流平台入门
前言
随着大语言模型的快速发展，围绕 LLM 的工具生态也日趋丰富。本文聚焦两款实用工具：CherryStudio（AI 对话客户端）和 N8N（开源工作流自动化平台），介绍它们的核心功能与上手方式，最后简要提及 Spring AI 框架在 MCP 服务搭建方面的应用。
CherryStudio：功能丰富的 AI 客户端
CherryStudio 是一款开源的桌面端 AI 对话客户端，支持多模型接入、本地知识库和 MCP 服务集成。对于想要在本地环境中统一管理多个大模型的用户来说，是一个不错的选择。
模型配置
CherryStudio 支持接入多种模型服务商，常用的配置方式：
- DeepSeek：手动添加 API Key 即可接入
- 硅基流动（SiliconFlow）：注册后可获取免费额度，适合体验各类开源模型
配置路径在客户端的「设置 → 模型服务」中完成，填入对应的 API 地址和密钥即可。
本地知识库
CherryStudio 内置了本地知识库功能，支持将文档导入后进行向量化检索。所有数据均存储在本地，导入时会复制一份文档到 Cherry Studio 的数据目录。
创建知识库
在知识库页面点击「新建」，选择要导入的文档即可完成创建。
嵌入模型与重排序模型
知识库检索的效果取决于两个关键模型的选择：
嵌入模型（Embedding Model）
将文本转换为向量表示，用于相似内容的高效检索。需要关注两个核心概念：
- 余弦相似度：衡量两个向量方向的一致性，适合语义匹配场景。即使一个短词和一个长句子语义相同，余弦相似度也能准确捕捉这种匹配关系
- 嵌入维度：更高维度能捕捉更复杂的语义关系（如专业术语的细微差别），但维度越高，存储和检索成本也越大，需要在精度与资源之间做权衡
重排序模型（Reranker Model）
对嵌入模型初步检索的候选文档进行精细化排序，筛选出最相关的上下文。使用重排序模型能显著提升最终结果的质量，避免 LLM 基于低相关性文档生成错误答案。
可以在硅基流动的模型广场查看是否有免费的嵌入和重排序模型可用。
下面两张图展示了使用重排序模型前后的检索评分对比，差距非常明显：
CherryStudio 的知识库界面可以直观地看到嵌入模型的检索结果和评分，是一个不错的调试和验证工具。
在对话中使用知识库
点击对话界面左下角的知识库按钮，选择已配置的知识库，即可在对话中基于知识库内容进行问答。
MCP 服务集成
CherryStudio 支持接入 MCP（Model Context Protocol）服务，推荐使用「同步服务器」方式快速配置。
配置步骤
1. 登录 MCP 平台
通过 GitHub 账号登录 ModelScope（或其他支持的平台）：
2. 选择并连接 MCP 服务
在 ModelScope 的 MCP 广场中，带有 Hosted 标签的 MCP 服务支持在线托管，点击进入后选择「连接」。如果服务需要额外配置属性，按提示填写即可。
3. 同步到 CherryStudio
连接成功后，在 CherryStudio 中选择「同步服务器」操作，配置信息会自动同步过来。
在对话中使用 MCP 服务
在对话界面底部可以单选或多选已配置的 MCP 服务，模型会在需要时自动调用对应的工具。
N8N：开源工作流自动化平台
N8N 是一款开源的工作流自动化工具，类似于 Zapier / Make，但支持自托管且可高度定制。在 AI 场景下，N8N 可以将大模型调用与各类外部服务（数据库、API、消息推送等）串联成自动化流程。
核心优势
- 可视化编排：通过拖拽节点构建工作流，降低使用门槛
- 自托管：数据完全掌握在自己手中，适合对隐私有要求的场景
- 丰富的集成：内置数百个第三方服务节点，也支持自定义 HTTP 请求
- AI 友好：原生支持 LLM 节点，可以方便地在工作流中嵌入大模型调用
同类平台对比
| 平台 | 特点 | 适合场景 |
|---|---|---|
| N8N | 开源自托管，灵活性高 | 开发者、需要私有化部署 |
| Dify | 专注 LLM 应用开发，内置 RAG | 快速搭建 AI 应用 |
| Coze | 字节跳动出品，集成豆包模型 | 国内用户快速体验 |
入门资源
- N8N 入门教程：https://juejin.cn/post/7500070714626015242
- N8N 视频教程：https://www.bilibili.com/video/BV1r17azXEAj
- Dify 基础介绍：https://blog.csdn.net/m0_59163425/article/details/142368632
Spring AI 简要提及
Spring AI 是 Spring 生态中用于集成 AI 能力的框架，支持 RAG、MCP 服务搭建和 Agent 构建等功能。如果你是 Java/Spring 技术栈的开发者，Spring AI 提供了一种熟悉的方式来接入大模型能力。
MCP 通信模式
MCP 服务支持三种通信模式，选择时需根据实际场景权衡：
| 特性 | STDIO | SSE（Server-Sent Events） | Streamable HTTP |
|---|---|---|---|
| 通信方向 | 双向（本地进程间） | 单向（服务器→客户端） | 双向（客户端↔服务器） |
| 协议基础 | 标准输入输出 | HTTP/1.1 | HTTP/2 |
| 适用场景 | 本地调试、CLI 工具 | 实时数据推送（如通知） | 高并发双向交互（如 AI 对话） |
| 复杂度 | 简单 | 中等 | 较高 |
相关资源
- Spring AI 官网：https://spring.io/ai
- Spring AI Alibaba：https://github.com/alibaba/spring-ai-alibaba/blob/main/README-zh.md
- Java2AI 快速入门：https://java2ai.com/docs/1.0.0-M6.1/get-started/?spm=5176.29160081.0.0.2856aa5cJ7DL7b
延伸阅读
- 大模型参数设置指南：https://www.promptingguide.ai/zh/introduction/settings
- LLM 智能体工具：https://www.promptingguide.ai/zh/research/llm-agents
- 提示词工程最佳实践：https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-the-openai-api
- LangGPT 结构化提示词：https://langgptai.feishu.cn/wiki/WOMhwOkPsiNacKkgz2ecu9Mmngc
- MCP 服务社区：https://mcpservers.cn/servers | https://mcp.so/ | https://gitmcp.io/