Iniciante 9 minInterfaces

Cherry Studio: 1 interface para todos os seus LLM (locais + cloud)

Você tem Ollama rodando localmente para o dia a dia, um crédito OpenAI para tarefas complexas e uma chave Mistral para o francês. Três interfaces diferentes, três históricos, três locais para copiar e colar seus prompts. O Cherry Studio é um cliente desktop open-source que reúne todos os seus LLM — locais e na nuvem — em uma única aplicação, com assistentes personalizados e suporte ao MCP.

Por Mohamed Meguedmi·Atualização 2026-08-27·Testado no Windows, macOS e Linux

#Por que o Cherry Studio

Cherry Studio (CherryHQ/cherry-studio no GitHub, licença AGPL-3.0) é um aplicativo desktop Electron que se posiciona como um agregador de provedores LLM. A ideia: uma única interface, um único histórico, seus prompts disponíveis em qualquer lugar — seja o modelo subjacente um Qwen 3.5 local no Ollama, GPT-4o na OpenAI ou Claude Sonnet na Anthropic.

Para alguém que mistura modelos LLM locais e na nuvem, o Cherry Studio resolve um problema concreto: parar de alternar entre LM Studio para o local, ChatGPT.com para OpenAI, Claude.ai para Anthropic e uma aba Mistral para Le Chat. Você configura cada provedor apenas uma vez e pode alternar de um modelo para o outro dentro da mesma conversa, se necessário.

Suporte nativo a múltiplos provedores
Ollama, LM Studio, OpenAI, Anthropic Claude, Mistral, DeepSeek, Gemini, OpenRouter, Groq, Together, e qualquer endpoint compatível com OpenAI.
Código aberto sob licença AGPL-3.0
Código público no GitHub. Sem envio de telemetria por padrão. Você mesmo pode compilar.
Aplicativo de desktop multiplataforma
Windows, macOS (Intel + Apple Silicon), Linux (AppImage, .deb).
Assistentes persistentes
Prompt de sistema + parâmetros + modelo pré-configurado, reutilizável como um GPT.
Bases de conhecimento
Importação de arquivos (PDF, Word, Markdown) com embeddings — um RAG integrado sem precisar de soluções improvisadas.
MCP (Model Context Protocol)
Conexão de servidores MCP para fornecer ferramentas aos seus LLM (filesystem, web, banco de dados).
i
O que o Cherry Studio não é
Ele não é um motor de inferência — não baixa modelos sozinho nem executa LLMs diretamente. Para a execução local, precisa de Ollama ou LM Studio no backend. É um cliente, não um servidor.

#Pré-requisitos

O kit IA Local

Seu ChatGPT privado e gratuito na sua máquina em 1 hora — LM Studio, Ollama, Open WebUI, seus documentos, sem nuvem.

  • Espaço online vitalício
  • PDF + arquivos
  • Atualizações vitalícias
O kit IA Local →ou todos os kits vitalícios — 49 € →
Sistema de 64 bits
Windows 10/11, macOS 11+, Linux recente. Sem versão móvel oficial (Cherry Studio é apenas para desktop).
4 GB de RAM livres
O app em si é leve (Electron), mas se você também iniciar o Ollama com um modelo 7B carregado, considere 8 GB no total.
Pelo menos um backend de LLM
Ou um Ollama rodando em localhost:11434, ou uma chave API de um provedor de nuvem (OpenAI, Anthropic, Mistral...). Sem isso, o app fica vazio.
(Opcional) Node.js para MCP
Vários servidores MCP são instalados via npx — Node 18+ recomendado se você quiser usar essa funcionalidade.

#1. Instalação no Windows / macOS / Linux

O projeto publica binários assinados na página Releases do GitHub. Baixe a última versão estável diretamente do repositório oficial.

Lançamentos no GitHub
https://github.com/CherryHQ/cherry-studio/releases
  1. 01
    Windows
    Baixe Cherry-Studio-x.y.z-x64-setup.exe (instalador NSIS) ou a versão portátil. Dê um duplo clique e siga o assistente. Não há dependências externas a instalar.
  2. 02
    macOS
    Baixe o .dmg correspondente à sua arquitetura: Cherry-Studio-x.y.z-arm64.dmg para Apple Silicon (M1/M2/M3/M4), -x64.dmg para Intel. Arraste o app para /Applications. Na primeira execução, clique com o botão direito → Abrir para contornar o Gatekeeper se o app não estiver notarizado.
  3. 03
    Linux
    Baixe o .AppImage (universal) ou o .deb (Debian/Ubuntu). Para o AppImage: execute chmod +x Cherry-Studio-x.y.z.AppImage e depois dê um clique duplo. Para o .deb: execute sudo dpkg -i Cherry-Studio-x.y.z.deb.
→
Verificar a integridade do binário
Na página Releases, cada arquivo tem um hash SHA-256 publicado. No Linux: execute sha256sum Cherry-Studio-*.AppImage e compare. No macOS: shasum -a 256 Cherry-Studio-*.dmg. Isso leva 10 segundos e protege você de uma versão infectada.

#2. Conectar Ollama local

Na primeira execução, o Cherry Studio abre uma tela vazia — sem modelo configurado. Começamos pelo mais simples: apontar para seu Ollama local.

Certifique-se primeiro de que o Ollama esteja rodando e escutando na porta padrão.

Verificar Ollama
curl http://localhost:11434/api/tags

Você deve receber uma resposta em formato JSON com a lista dos modelos instalados. Se o curl retornar um erro de conexão, inicie o serviço Ollama antes de continuar.

  1. 01
    Abrir as configurações
    No Cherry Studio, clique no ícone Settings (no canto inferior esquerdo) e, em seguida, em Model Providers.
  2. 02
    Ativar Ollama
    Encontre Ollama na lista de provedores e coloque o interruptor na posição ON. O campo API Host é preenchido por padrão com http://localhost:11434 — não altere nada se o Ollama estiver rodando na mesma máquina.
  3. 03
    Sincronizar os modelos
    Clique em Manage à direita, depois no botão de atualização. O Cherry Studio consulta Ollama e lista todos os seus modelos instalados (qwen3.5, granite4.2, gemma4...). Marque os que deseja ver aparecer no seletor.
  4. 04
    Testar
    Volte para a tela Chat, crie uma nova conversa, escolha um modelo Ollama no menu superior e envie uma mensagem. A resposta deve aparecer progressivamente na janela.
i
Ollama em outra máquina
Se o seu Ollama estiver rodando em um servidor da rede local, substitua localhost pelo endereço IP (ex.: http://192.168.1.42:11434). No servidor, o Ollama deve ser iniciado com OLLAMA_HOST=0.0.0.0:11434 para escutar em todas as interfaces; caso contrário, recusará as conexões remotas.

#3. Adicionar também os provedores de nuvem

A vantagem do Cherry Studio fica clara quando você combina provedores. Você pode ter 5 provedores ativos simultaneamente e alternar entre eles com um clique no seletor de modelo.

OpenAI
Chave de API em platform.openai.com. O Cherry Studio disponibiliza GPT-4o, GPT-4 Turbo, o1, etc.
Anthropic Claude
Chave API no console.anthropic.com. Modelos Claude Sonnet 4.6, Haiku, Opus disponíveis.
Mistral
Chave de API em console.mistral.ai. Acesso a Mistral Large, Codestral, Pixtral.
DeepSeek
Chave de API em platform.deepseek.com. Acesso a DeepSeek V3, R1 (raciocínio).
OpenRouter
Uma única chave para acessar 200+ modelos via um proxy unificado — prática para testes rápidos.
Endpoint personalizado
Para qualquer servidor compatível com OpenAI: vLLM, LM Studio em modo de servidor, Together, Fireworks, llama.cpp server.
  1. 01
    Settings → Model Providers
    Ative cada provedor que você deseja usar.
  2. 02
    Colar a chave da API
    Campo API Key. O Cherry Studio criptografa as chaves no armazenamento local do app (não em texto claro em um arquivo de configuração visível).
  3. 03
    Testar a conexão
    O botão Check ao lado da chave envia uma requisição de teste. Verde = OK, vermelho = chave inválida ou rede bloqueada.
  4. 04
    Escolher os modelos a exibir
    Para cada provedor, você marca os modelos que deseja ver no seletor. Desmarque os que nunca usa para não sobrecarregar o menu.
!
Suas chaves API permanecem locais
Cherry Studio é um cliente: suas chaves são armazenadas na sua máquina e usadas para conversar diretamente com as APIs dos provedores. Mas também é uma responsabilidade — perder seu laptop significa perder acesso às suas chaves. Se você trabalha em equipe, crie chaves distintas para cada computador em vez de compartilhá-las.

#4. Assistentes personalizados

Um assistente Cherry Studio = um prompt de sistema + um modelo padrão + parâmetros (temperatura, contexto) + eventualmente uma base de conhecimento associada. É o equivalente local dos GPTs da OpenAI, exceto que você mantém o controle.

  1. 01
    Clicar em + na barra lateral Assistants
    Um painel de criação se abre. Nome, emoji, descrição curta.
  2. 02
    Definir o prompt de sistema
    É o coração do assistente: seu papel, suas restrições, o tom esperado. Exemplo: "Você é um corretor de provas em francês. Você responde apontando os erros um a um, com a respectiva correção. Sem paráfrases, sem complacência."
  3. 03
    Escolher o modelo padrão
    Você pode escolher qualquer modelo de qualquer provedor configurado. Para correção de texto em francês: mistral-large via API, ou um mistral-small local via Ollama se a confidencialidade for necessária.
  4. 04
    Ajustar temperatura e contexto
    0,2 para uma tarefa determinística (correção, extração), 0,7-1,0 para redação criativa. A janela de contexto depende do modelo (até 128k para modelos recentes).
  5. 05
    Salvar
    O assistente aparece na barra lateral. Clique para iniciar uma nova conversa pré-configurada com esse setup.
→
Compartilhar um assistente
Cherry Studio exporta os assistentes em JSON. Útil para versionar seus prompts em um repositório git ou compartilhá-los em uma equipe sem precisar copiar manualmente o prompt de sistema e os parâmetros.

#5. Suporte ao protocolo MCP (Model Context Protocol)

MCP é o protocolo publicado pela Anthropic no fim de 2024 para padronizar como um LLM acessa ferramentas externas: ler um arquivo, consultar um banco de dados, chamar uma API. O Cherry Studio é um dos primeiros clientes de desktop voltados ao público em geral a oferecer suporte nativo a ele.

Na prática, você declara um servidor MCP no Cherry Studio, e todos os seus modelos compatíveis com uso de ferramentas (Claude, GPT-4, alguns Qwen 3.5 e Granite 4.2) podem chamá-lo durante uma conversa.

Exemplo: MCP filesystem em Settings → MCP Servers
{
  "filesystem": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-filesystem",
      "/home/user/documents"
    ]
  }
}

Após a adição, o assistente pode listar, ler e escrever na pasta autorizada. Peça a ele: 'Liste os arquivos .md na minha pasta de documentos e resuma o mais recente' — ele aciona a ferramenta sozinho.

!
MCP = atenção ao que você permite
Um servidor MCP de sistema de arquivos apontado para /home/user dá ao LLM acesso de leitura e escrita a todo o seu diretório pessoal. Sempre limite o escopo ao estritamente necessário. O mesmo vale para servidores MCP que expõem um banco de dados ou um shell — mantenha o acesso somente para leitura no início.

#Cherry Studio vs Chatbox vs Jan

Os três são clientes desktop de código aberto para LLMs de vários provedores. As diferenças:

Cherry Studio
O mais completo na parte de agregação: mais de 15 provedores de nuvem, Ollama/LM Studio em execução local, assistentes, bases de conhecimento, MCP. Interface densa, curva de aprendizado um pouco mais acentuada.
Chatbox
Mais minimalista e acessível. Menos provedores, sem MCP, sem bases de conhecimento tão avançadas. Muito bom se você quer apenas um cliente multi-API limpo, sem a sobrecarga.
Jan
Mais orientado ao local-first: o Jan inclui seu próprio mecanismo de inferência (baseado em llama.cpp) e, portanto, pode executar modelos sem depender do Ollama. Menos provedores de nuvem do que o Cherry, sem MCP no momento em que escrevemos estas linhas.

Resumindo: Cherry Studio se você mistura bastante local e nuvem e quer MCP. Jan se você quer uma solução local tudo-em-um sem Ollama. Chatbox se você quer o cliente mais simples.

#Solução de problemas

Nenhum modelo do Ollama aparece
Verifique se curl http://localhost:11434/api/tags responde e clique em Manage → botão de atualização no provedor Ollama. Se o Ollama estiver rodando, mas não responder, reinicie o serviço.
Erro 401 em OpenAI/Anthropic
Chave inválida ou expirada. Gere-a novamente no console do provedor e cole-a de novo. Verifique também se sua conta possui crédito.
Erro de conexão com a nuvem ao usar um proxy corporativo
O Cherry Studio não lê sistematicamente as variáveis de ambiente HTTPS_PROXY. Configure o proxy em Settings → General → Network.
O servidor MCP não inicia
Node.js ausente ou muito antigo. Instale Node 18+ (nvm recomendado) e reinicie o Cherry Studio. Os logs MCP estão acessíveis por View → Toggle Developer Tools → Console.
App lenta / que trava
Histórico acumulado em excesso. Conversas longas deixam o índice local mais pesado. Arquive ou exclua as antigas em Settings → Data Management.
Resposta interrompida no meio
O modelo atingiu seu limite de tokens de saída. Aumente Max Tokens nas configurações do assistente (4096 ou mais para respostas longas).

#Para se aprofundar

O Cherry Studio é principalmente interessante como interface unificada. Para explorar o backend que está por trás:

Se você ainda não tem Ollama
« Ollama: o que é e como funciona » explica o daemon que o Cherry Studio consulta localmente — útil para entender por que um modelo não carrega.
Se você comparar Cherry com outras interfaces
« LM Studio vs Ollama : qual escolher em 2026 » e o guia « Msty : a interface LLM local elegante » abrangem as opções diretas no segmento de interface unificada.
Se você quiser ampliar o compartilhamento de recursos
« LiteLLM: um proxy unificado local e na nuvem » vai além do Cherry Studio ao atuar no lado do servidor, com fallback automático entre Ollama local e API na nuvem.
Este guia ajudou você?

Um comentário, um erro ou uma observação? Avise-nos; isso ajuda a melhorar o guia para todos.