Cherry Studio: 1 Oberfläche für alle Ihre LLMs (lokale + cloud)

#Warum Cherry Studio

Cherry Studio (CherryHQ/cherry-studio auf GitHub, Lizenz AGPL-3.0) ist eine Desktop-App auf Basis von Electron, die sich als Aggregator für LLM-Anbieter positioniert. Die Idee: eine einzige Oberfläche, ein einziger Verlauf, Ihre Prompts überall verfügbar – unabhängig davon, ob das zugrunde liegende Modell ein lokal über Ollama betriebenes Qwen 3.5, GPT-4o bei OpenAI oder Claude Sonnet bei Anthropic ist.

Für jemanden, der lokale und Cloud-LLMs kombiniert, löst Cherry Studio ein konkretes Problem: nicht mehr zwischen LM Studio für den lokalen Betrieb, ChatGPT.com für OpenAI, Claude.ai für Anthropic und einem Mistral-Tab für Le Chat hin- und herwechseln zu müssen. Sie konfigurieren jeden Anbieter einmal und wechseln bei Bedarf innerhalb derselben Unterhaltung von einem Modell zum anderen.

Native Unterstützung mehrerer Anbieter

Ollama, LM Studio, OpenAI, Anthropic Claude, Mistral, DeepSeek, Gemini, OpenRouter, Groq, Together sowie jeder beliebige OpenAI-kompatible Endpunkt.

Open-source AGPL-3.0

Quellcode öffentlich auf GitHub verfügbar. Standardmäßig werden keine Telemetriedaten nach außen übertragen. Sie können den Code selbst kompilieren.

Plattformübergreifende Desktop-Anwendung

Windows, macOS (Intel + Apple Silicon), Linux (AppImage, .deb).

Persistente Assistenten

Systemprompt + Parameter + vorkonfiguriertes Modell, wiederverwendbar wie ein GPT.

Wissensdatenbanken

Dateiimport (PDF, Word, Markdown) mit Embeddings – integriertes RAG ohne Bastelei.

MCP (Model Context Protocol)

Anbindung von MCP-Servern, um Tools für Ihre LLM bereitzustellen (Dateisystem, Web, Datenbank).

#Voraussetzungen

64-Bit-System

Windows 10/11, macOS 11+, eine aktuelle Linux-Version. Keine offizielle Mobilversion (Cherry Studio ist ausschließlich für Desktop-Rechner verfügbar).

4 GB RAM frei

Die App selbst ist schlank (Electron), aber wenn Sie zusätzlich Ollama mit einem geladenen 7B-Modell ausführen, rechnen Sie mit insgesamt 8 GB Arbeitsspeicher.

Mindestens ein LLM-Backend

Entweder eine Ollama-Instanz, die auf localhost:11434 läuft, oder ein API-Schlüssel eines Cloud-Anbieters (OpenAI, Anthropic, Mistral...). Ohne das bleibt die App leer.

(optional) Node.js für MCP

Mehrere MCP-Server werden über `npx` installiert — Node 18+ empfohlen, wenn Sie diese Funktion nutzen möchten.

#1. Installation unter Windows / macOS / Linux

Das Projekt veröffentlicht signierte Binärdateien auf der GitHub-Releases-Seite. Holen Sie die letzte stabile Version direkt aus dem offiziellen Repository.

https://github.com/CherryHQ/cherry-studio/releases

1. 01
   Windows

   Laden Sie Cherry-Studio-x.y.z-x64-setup.exe (NSIS-Installer) oder die portable Version herunter. Starten Sie die Datei per Doppelklick und folgen Sie dem Assistenten. Es müssen keine externen Abhängigkeiten installiert werden.
2. 02
   macOS

   Laden Sie die zu Ihrer Architektur passende .dmg-Datei herunter: Cherry-Studio-x.y.z-arm64.dmg für Apple Silicon (M1/M2/M3/M4), -x64.dmg für Intel. Ziehen Sie die App nach /Applications. Wählen Sie beim ersten Start per Rechtsklick → Öffnen, um Gatekeeper zu umgehen, falls die App nicht notarisiert ist.
3. 03
   Linux

   Laden Sie die .AppImage-Datei (universell) oder die .deb-Datei (Debian/Ubuntu) herunter. Für die AppImage-Datei: chmod +x Cherry-Studio-x.y.z.AppImage ausführen und anschließend doppelklicken. Für die .deb-Datei: sudo dpkg -i Cherry-Studio-x.y.z.deb.

#2. Lokales Ollama einbinden

Beim ersten Start öffnet Cherry Studio einen leeren Bildschirm – es ist noch kein Modell konfiguriert. Wir beginnen mit dem Einfachsten: Cherry Studio mit Ihrer lokalen Ollama-Instanz verbinden.

Stellen Sie zunächst sicher, dass Ollama läuft und auf seinem Standardport lauscht.

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

Sie sollten eine JSON-Antwort mit der Liste der installierten Modelle erhalten. Falls curl einen Verbindungsfehler meldet, starten Sie den Ollama-Dienst, bevor Sie fortfahren.

1. 01
   Einstellungen öffnen

   Klicken Sie in Cherry Studio auf das Symbol Settings (unten links) und anschließend auf Model Providers.
2. 02
   Ollama aktivieren

   Suchen Sie Ollama in der Liste der Anbieter und stellen Sie den Schalter auf ON. Das Feld API Host wird standardmäßig mit http://localhost:11434 ausgefüllt — ändern Sie nichts, wenn Ollama auf demselben Rechner läuft.
3. 03
   Modelle synchronisieren

   Klicken Sie rechts auf „Manage“ und anschließend auf die Schaltfläche zum Aktualisieren. Cherry Studio fragt Ollama ab und listet alle Ihre installierten Modelle (qwen3.5, granite4.2, gemma4...) auf. Setzen Sie bei den Modellen ein Häkchen, die in der Modellauswahl erscheinen sollen.
4. 04
   Testen

   Kehren Sie zur Chat-Ansicht zurück, erstellen Sie eine neue Unterhaltung, wählen Sie im Menü oben ein Ollama-Modell aus und senden Sie eine Nachricht. Die Antwort sollte als Stream im Fenster erscheinen.

#3. Cloud-Anbieter zusätzlich hinzufügen

Der Nutzen von Cherry Studio zeigt sich, wenn Sie verschiedene Anbieter kombinieren. Sie können 5 Anbieter gleichzeitig aktiv haben und im Modellauswahlmenü mit einem Klick zwischen ihnen wechseln.

OpenAI

API-Schlüssel auf platform.openai.com. Cherry Studio bietet GPT-4o, GPT-4 Turbo, o1 usw. an

Anthropic Claude

API-Schlüssel auf console.anthropic.com. Modelle Claude Sonnet 4.6, Haiku, Opus verfügbar.

Mistral

API-Schlüssel auf console.mistral.ai. Zugriff auf Mistral Large, Codestral, Pixtral.

DeepSeek

API-Schlüssel auf platform.deepseek.com. Zugriff auf DeepSeek V3, R1 (Reasoning).

OpenRouter

Ein einziger Schlüssel zum Zugriff auf 200+ Modelle über einen einheitlichen Proxy – praktisch für schnelles Testen.

Benutzerdefinierter Endpunkt

Für jeden OpenAI-kompatiblen Server: vLLM, LM Studio im Servermodus, Together, Fireworks, llama.cpp Server.

1. 01
   Settings → Model Providers

   Aktivieren Sie jeden Provider, den Sie verwenden möchten.
2. 02
   API-Schlüssel einfügen

   Feld „API Key“. Cherry Studio verschlüsselt die Schlüssel im lokalen Speicher der App (nicht im Klartext in einer sichtbaren Konfigurationsdatei).
3. 03
   Verbindung testen

   Die Schaltfläche Check neben dem Schlüssel sendet eine Testanfrage. Grün = OK, rot = ungültiger Schlüssel oder blockiertes Netzwerk.
4. 04
   Modelle auswählen, die angezeigt werden

   Für jeden Anbieter setzen Sie ein Häkchen bei den Modellen, die Sie in der Modellauswahl sehen möchten. Entfernen Sie die Häkchen bei den Modellen, die Sie nie verwenden, damit das Menü übersichtlich bleibt.

#4. Personalisierte Assistenten

Ein Cherry-Studio-Assistent = ein System-Prompt + ein Standardmodell + Einstellungen (Temperatur, Kontext) + gegebenenfalls eine verknüpfte Wissensdatenbank. Das ist das lokale Gegenstück zu den GPTs von OpenAI, wobei Sie die Kontrolle behalten.

1. 01
   In der Seitenleiste Assistants auf + klicken

   Ein Erstellungs-Fenster öffnet sich. Name, Emoji, kurze Beschreibung.
2. 02
   System Prompt definieren

   Das ist das Herzstück des Assistenten: seine Rolle, seine Vorgaben und der erwartete Ton. Beispiel: „Du korrigierst französischsprachige Arbeiten. Du zeigst in deiner Antwort die Fehler einzeln auf und gibst jeweils die Korrektur an. Keine Paraphrasen, keine Nachsicht.“
3. 03
   Standardmodell wählen

   Sie können jedes beliebige Modell eines beliebigen konfigurierten Anbieters auswählen. Für die Korrektur französischer Texte: mistral-large über eine API oder ein lokales mistral-small über Ollama, wenn Vertraulichkeit wichtig ist.
4. 04
   Temperatur und Kontext anpassen

   0,2 für eine deterministische Aufgabe (Korrektur, Extraktion), 0,7–1,0 für kreative Texterstellung. Das Kontextfenster hängt vom Modell ab (bis zu 128k bei neueren Modellen).
5. 05
   Speichern

   Der Assistent erscheint in der Seitenleiste. Ein Klick öffnet ein neues, mit diesem Setup vorkonfiguriertes Gespräch.

#5. Support für MCP (Model Context Protocol)

MCP ist das Ende 2024 von Anthropic veröffentlichte Protokoll, das standardisiert, wie ein LLM auf externe Werkzeuge zugreift: eine Datei lesen, eine Datenbank abfragen, eine API aufrufen. Cherry Studio ist einer der ersten Desktop-Clients für ein breites Publikum, die MCP nativ unterstützen.

Konkret tragen Sie in Cherry Studio einen MCP-Server ein, den alle Ihre Modelle mit Tool-Use-Unterstützung (Claude, GPT-4, einige Qwen 3.5 und Granite 4.2) während eines Gesprächs aufrufen können.

{
  "filesystem": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-filesystem",
      "/home/user/documents"
    ]
  }
}

Nach dem Hinzufügen kann der Assistent Dateien im freigegebenen Ordner auflisten, lesen und schreiben. Bitten Sie ihn: „Liste die .md-Dateien in meinem Dokumentenordner auf und fasse die neueste zusammen“ – er ruft das Tool selbstständig auf.

#Cherry Studio vs Chatbox vs Jan

Alle drei sind Open-Source-Desktop-Clients für LLMs verschiedener Anbieter. Die Unterschiede:

Cherry Studio

Das umfassendste Angebot bei der Aggregation: mehr als 15 Cloud-Anbieter, Ollama/LM Studio lokal, Assistenten, Wissensdatenbanken, MCP. Eine dicht gepackte Benutzeroberfläche, die Einarbeitung ist etwas anspruchsvoller.

Chatbox

Minimalistischer und leichter zugänglich. Weniger Anbieter, kein MCP, keine so ausgefeilten Wissensdatenbanken. Sehr gut, wenn Sie einfach einen übersichtlichen Client für mehrere APIs möchten, ohne unnötigen Ballast.

Jan

Stärker auf Local-first ausgerichtet: Jan bringt eine eigene Inferenz-Engine auf Basis von llama.cpp mit und kann daher Modelle unabhängig von Ollama ausführen. Weniger Cloud-Anbieter als Cherry, zum Zeitpunkt der Erstellung dieses Textes keine MCP-Unterstützung.

Zusammenfassung: Cherry Studio, wenn Sie viel lokale und cloudbasierte Komponenten kombinieren und MCP benötigen. Jan, wenn Sie ein vollständig lokales Paket ohne Ollama wünschen. Chatbox, wenn Sie den einfachsten Client benötigen.

#Fehlerbehebung

Kein Ollama-Modell wird angezeigt

Stellen Sie sicher, dass curl http://localhost:11434/api/tags antwortet, und klicken Sie auf Manage → Aktualisierungsbutton im Provider Ollama. Wenn Ollama läuft, aber nicht antwortet, starten Sie den Dienst neu.

Fehler 401 bei OpenAI/Anthropic

Ungültiger oder abgelaufener Schlüssel. Generieren Sie ihn in der Konsole des Anbieters neu und fügen Sie ihn erneut ein. Prüfen Sie auch, ob Ihr Konto Guthaben hat.

Verbindungsfehler zur Cloud hinter einem Unternehmensproxy

Cherry Studio liest HTTPS_PROXY-Umgebungsvariablen nicht immer. Konfigurieren Sie den Proxy unter Settings → General → Network.

MCP-Server startet nicht

Node.js fehlt oder ist zu alt. Installieren Sie Node 18+ (nvm empfohlen) und starten Sie Cherry Studio neu. Die MCP-Logs sind über View → Toggle Developer Tools → Console zugänglich.

App langsam / stockt

Zu viel angesammelter Verlauf. Lange Unterhaltungen belasten den lokalen Index. Archivieren oder löschen Sie ältere Unterhaltungen über Settings → Data Management.

Antwort wird mittendrin abgeschnitten

Das Modell hat seine Grenze für Ausgabetokens erreicht. Erhöhen Sie Max Tokens in den Einstellungen des Assistenten (4096 oder mehr für lange Antworten).

#Weiterführende Informationen

Cherry Studio ist vor allem als einheitliche Oberfläche interessant. Wenn Sie sich näher mit dem dahinter laufenden Backend beschäftigen möchten:

Wenn Sie Ollama noch nicht haben

„Ollama: Was ist das und wie funktioniert es?“ erklärt den Daemon, den Cherry Studio lokal abfragt – hilfreich, um zu verstehen, warum ein Modell nicht geladen wird.

Wenn Sie Cherry mit anderen Interfaces vergleichen

„LM Studio vs Ollama: Welches sollten Sie 2026 wählen?“ und der Leitfaden „Msty: die elegante Oberfläche für lokale LLM“ behandeln die direkten Alternativen im Bereich einheitlicher Benutzeroberflächen.

Wenn Sie die gemeinsame Nutzung weiter ausbauen möchten

„LiteLLM: ein einheitlicher Proxy für lokale Systeme und die Cloud“ geht weiter als Cherry Studio, indem LiteLLM serverseitig arbeitet und automatisches Fallback zwischen lokalem Ollama und Cloud-APIs bietet.