利用Cherry Studio 硅基流动免费搭建一个强大的本地AI知识库！

一、Cherry Studio简介

Cherry Studio 是一款支持多个大语言模型（LLM）服务商的桌面客户端，兼容 Windows、Mac 和 Linux 系统。它内置了 30 多个行业的智能助手，旨在帮助用户在多种场景下提升工作效率。

项目地址：

https://github.com/CherryHQ/cherry-studio/blob/main/docs/README.zh.md

使用教程：https://docs.cherry-ai.com/

主要特性包括：

• 多样化 LLM 服务支持：

• ☁️支持主流 LLM 云服务：OpenAI、Gemini、Anthropic、硅基流动等
• ?集成流行 AI Web 服务：Claude、Peplexity、Poe、腾讯元宝、知乎直答等
• ?支持 Ollama、LM Studio 本地模型部署

• 智能助手与对话：

• ?内置 300+ 预配置 AI 助手
• ?支持自定义创建专属助手
• ?多模型同时对话，获得多样化观点

• 文档与数据处理：

• ?支持文本、图片、Office、PDF 等多种格式
• ☁️WebDAV 文件管理与数据备份
• ?Mermaid 图表可视化
• ?代码高亮显示

• 实用工具集成：

• ?全局搜索功能
• ?话题管理系统
• ?AI 驱动的翻译功能
• ?拖拽排序
• ?小程序支持
• ⚙️MCP(模型上下文协议) 服务

• 优质使用体验：

• ?️Windows、Mac、Linux 跨平台支持
• ?开箱即用，无需配置环境
• ?支持明暗主题与透明窗口
• ?完整的 Markdown 渲染
• ?便捷的内容分享功能

二、注册硅基流动

1.手机号注册

SiliconCloud（硅基流动）是一个集合了多种顶尖大模型的一站式云服务平台， 它提供开箱即用的大模型 API，按量收费，助力应用开发轻松实现。

注册地址：https://cloud.siliconflow.cn/i/FB4BZiFO

输入手机号进行注册，注册成功后会获得14元余额，约等于2000万tokens（Qwen2.5-14B-Instruct 模型单价下的数量）。同时，邀请新用户注册也会获得赠送token。

2.新建API密钥

输入密钥名称，新建密钥。新建后会自动生成密钥，可以复制下拉供后续使用。

二、Cherry Studio配置

1.配置硅基流动API密钥

进入最左下角设置，第一个就是“硅基流动”，在配置页面的API密钥输入框粘贴前面复制的API密钥。点击检测，检测成功后即表示可用。

2.添加嵌入式模型

配置页面滑动到最底部，点击“管理”按钮，打开硅基流动模型配置弹框，进入嵌入一栏，选择要添加的模型。注：BAAI/bge-m3为免费模型，Pro/BAAI/bge-m3为收费模型。

三、知识库配置

1.添加知识库

填写知识库名称，选择嵌入模型。例如我这里选择的是前面添加的收费模型“Pro/BAAI/bge-m3”。

添加完成后如下所示：

2.添加文件并向量化

CherryStudio 支持多种添加数据的方式：

• 文件夹目录：可以添加整个文件夹目录，该目录下支持格式的文件会被自动向量化；
• 网址链接：支持网址 url，如https://docs.siliconflow.cn/introduction；
• 站点地图：支持 xml 格式的站点地图，如https://docs.siliconflow.cn/sitemap.xml；
• 纯文本笔记：支持输入纯文本的自定义内容。

注意：

1. 导入知识库的文档中的插图暂不支持转换为向量，需要手动转换为文本；
2. 使用网址作为知识库来源时不一定会成功，有些网站有比较严格的反扒机制（或需要登录、授权等），因此该方式不一定能获取到准确内容。创建完成后建议先搜索测试一下。

例如，我导入了“软件评测师”相关的文件，随后搜索。

① 导入知识库文件

可以直接拖拽文件，或是点击“添加文件”、手动选择本地文件，出现绿色的✅表示向量化完成。

② 搜索知识库

四、对话中引用知识库生成回复

先在底部对话框中选择知识库，我这里选择的是“软件评测师”知识库，随后输入问题进行提问，回复的答案底部带有“引用内容”，表示知识库引用成功。

五、知识库处理流程原理

在 Cherry Studio 知识库中添加的数据全部存储在本地，在添加过程中会复制一份文档放在 Cherry Studio 数据存储目录。

当文档被添加到 Cherry Studio 知识库之后，文件会被切分为若干个片段，然后这些片段会交给嵌入模型进行处理。当使用大模型进行问答的时候，会查询和问题相关的文本片段一并交个大语言模型处理。

注意：如果对数据隐私有要求，建议使用本地嵌入数据库和本地大语言模型。