今天我们来深入探讨Cherry Studio与MCP Server的配置实战。此前已经介绍过Claude Desktop如何配置MCP，这次在Cherry Studio上操作，思路大致相同，但模型选择范围更加灵活。

Cherry Studio本质上是一个大模型外壳，能够适配底层多种大模型。如果你不希望本地部署诸如DeepSeek之类的模型，又需要构建一个个人AI知识库，它一直是个值得信赖的选择。目前它已经集成了MCP Server支持，并且可以选用任何兼容MCP协议的大模型，例如本次测试中我们使用了阿里的QWen2.5-7B和QWen/QWQ-32B。

配置入口位于设置→MCP服务器。界面支持直接编辑JSON文件，也可以点击“添加服务器”从头开始配置。我们以一个最简单的例子说明：Fetch网页的MCP Server。配置完成后进入对话界面，请务必先选择一个支持MCP协议的模型，然后打开MCP Server开关。例如，让AI协助总结某篇百家号文章的内容，调用Fetch抓取数据的过程非常清晰直观。

文件服务的配置方法也类似，直接在设置中找到对应选项，然后让AI列出桌面上所有文件，同样可以顺利完成。

更复杂的SQLite数据库则需要提前做好准备工作。前往GitHub下载MCP Server代码（https://github.com/modelcontextprotocol/servers），解压到本地目录。关键的配置路径位于 \servers-main\src\sqlite。接着安装uv，运行以下命令：

pip install uv
pip install httpx mcp

配置MCP Server时最容易出错的是参数部分。正确的填写方式如下：

--directory [你的目录地址] sqlite run mcp-server-sqlite --db-path [你的目录地址] scm.db

配置完成后点击确定，系统会自动进行校验。如果报错，最快的方法是到命令行按照截图参数手动运行uv命令，若能成功运行，则说明配置没有问题。

测试下来，7B模型输出表现正常。反而是QWQ-32B这个深度思考模型出现了一些状况——简单问题会被它过度复杂化，来回绕圈，思考时间也很长。至少在这个验证场景中，Claude 3.7配合SQLite MCP Server对自然语言查询的语义理解仍然最为精准。

另外，如果自己编写了Python脚本想在本地执行，需要安装一个能够运行本地脚本的MCP Server，地址为https://github.com/g0t4/mcp-server-commands。关键的配置信息如下：

"mcp-server-commands": {
  "command": "npx",
  "args": ["mcp-server-commands"]
},

对了，Cherry Studio还能接入本地部署的大模型。因此，如果企业需要进行MCP适配与接入方面的验证，Cherry Studio是一个非常趁手的工具。按照上一篇文章的思路，完全可以将企业已有的API能力作为MCP Server开放接入，甚至把数据中台清洗后的共享数据库作为MCP Server源接入进来。

当然，实际查询的准确度还需要进一步压力测试。今天的分享就到这里，希望对大家有参考价值。