#Pourquoi Cherry Studio

Cherry Studio (CherryHQ/cherry-studio sur GitHub, licence AGPL-3.0) est une app desktop Electron qui se positionne comme un agrégateur de providers LLM. L'idée : une seule interface, un seul historique, vos prompts disponibles partout — peu importe que le modèle sous-jacent soit un Llama 3 local sur Ollama, GPT-4o chez OpenAI, ou Claude Sonnet chez Anthropic.

Pour quelqu'un qui mélange LLM local et cloud, Cherry Studio règle un problème concret : arrêter de jongler entre LM Studio pour le local, ChatGPT.com pour OpenAI, Claude.ai pour Anthropic, et un onglet Mistral pour Le Chat. Vous configurez chaque provider une fois, et basculez d'un modèle à l'autre dans la même conversation si besoin.

Multi-providers natif: Ollama, LM Studio, OpenAI, Anthropic Claude, Mistral, DeepSeek, Gemini, OpenRouter, Groq, Together, et n'importe quel endpoint OpenAI-compatible.
Open-source AGPL-3.0: Code public sur GitHub. Pas de télémétrie sortante par défaut. Vous pouvez compiler vous-même.
Cross-platform desktop: Windows, macOS (Intel + Apple Silicon), Linux (AppImage, .deb).
Assistants persistants: Système prompt + paramètres + modèle pré-configuré, réutilisable comme un GPT.
Bases de connaissances: Import de fichiers (PDF, Word, Markdown) avec embeddings — un RAG intégré sans bricolage.
MCP (Model Context Protocol): Branchement de serveurs MCP pour donner des outils à vos LLM (filesystem, web, base de données).

Ce que Cherry Studio n'est pas

Ce n'est pas un moteur d'inférence — il ne télécharge pas de modèles tout seul et ne fait pas tourner les LLM directement. Pour le local, il a besoin d'Ollama ou LM Studio en backend. C'est un client, pas un serveur.

#Prérequis

Système 64 bits: Windows 10/11, macOS 11+, Linux récent. Pas de version mobile officielle (Cherry Studio est desktop-only).
4 Go de RAM libres: L'app elle-même est légère (Electron), mais si vous lancez aussi Ollama avec un modèle 7B chargé, comptez 8 Go au total.
Un backend LLM au moins: Soit un Ollama qui tourne sur localhost:11434, soit une clé API d'un provider cloud (OpenAI, Anthropic, Mistral...). Sans ça, l'app est vide.
(Optionnel) Node.js pour MCP: Plusieurs serveurs MCP s'installent via npx — Node 18+ recommandé si vous voulez utiliser cette feature.

#1. Installation Windows / macOS / Linux

Le projet publie des binaires signés sur la page Releases de GitHub. Récupérez la dernière version stable directement depuis le dépôt officiel.

Releases GitHub

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

01
Windows
Téléchargez Cherry-Studio-x.y.z-x64-setup.exe (installateur NSIS) ou la version portable. Double-clic, suivez l'assistant. Aucune dépendance externe à installer.
02
macOS
Récupérez le .dmg correspondant à votre architecture : Cherry-Studio-x.y.z-arm64.dmg pour Apple Silicon (M1/M2/M3/M4), -x64.dmg pour Intel. Glissez l'app dans /Applications. Au premier lancement, clic droit → Ouvrir pour contourner Gatekeeper si l'app n'est pas notarisée.
03
Linux
Téléchargez le .AppImage (universel) ou le .deb (Debian/Ubuntu). Pour l'AppImage : chmod +x Cherry-Studio-x.y.z.AppImage puis double-clic. Pour le .deb : sudo dpkg -i Cherry-Studio-x.y.z.deb.

→

Vérifier l'intégrité du binaire

Sur la page Releases, chaque archive a un hash SHA-256 publié. Sur Linux : sha256sum Cherry-Studio-*.AppImage et comparez. Sur macOS : shasum -a 256 Cherry-Studio-*.dmg. C'est 10 secondes et ça vous protège d'une release vérolée.

#2. Brancher Ollama local

Au premier lancement, Cherry Studio ouvre un écran vide — pas de modèle configuré. On commence par le plus simple : pointer vers votre Ollama local.

Assurez-vous d'abord qu'Ollama tourne et écoute sur son port standard.

Vérifier Ollama

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

Vous devez recevoir une réponse JSON avec la liste des modèles installés. Si curl renvoie une erreur de connexion, démarrez le service Ollama avant de continuer.

01
Ouvrir les paramètres
Dans Cherry Studio, cliquez sur l'icône Settings (en bas à gauche) puis Model Providers.
02
Activer Ollama
Trouvez Ollama dans la liste des providers et basculez le switch sur ON. Le champ API Host se remplit par défaut avec http://localhost:11434 — ne touchez à rien si Ollama tourne sur la même machine.
03
Synchroniser les modèles
Cliquez sur Manage à droite, puis sur le bouton de rafraîchissement. Cherry Studio interroge Ollama et liste tous vos modèles installés (mistral, llama3, qwen2.5...). Cochez ceux que vous voulez voir apparaître dans le sélecteur.
04
Tester
Retournez à la vue Chat, créez une nouvelle conversation, choisissez un modèle Ollama dans le menu en haut, et envoyez un message. La réponse doit streamer dans la fenêtre.

Ollama sur une autre machine

Si votre Ollama tourne sur un serveur du réseau local, remplacez localhost par l'IP (ex: http://192.168.1.42:11434). Côté serveur, Ollama doit être lancé avec OLLAMA_HOST=0.0.0.0:11434 pour écouter sur toutes les interfaces, sinon il refusera les connexions distantes.

#3. Ajouter les providers cloud à côté

L'intérêt de Cherry Studio prend du sens quand vous mélangez. Vous pouvez avoir 5 providers actifs simultanément et basculer entre eux d'un clic dans le sélecteur de modèle.

OpenAI: API key sur platform.openai.com. Cherry Studio expose GPT-4o, GPT-4 Turbo, o1, etc.
Anthropic Claude: API key sur console.anthropic.com. Modèles Claude Sonnet 4.6, Haiku, Opus disponibles.
Mistral: API key sur console.mistral.ai. Accès à Mistral Large, Codestral, Pixtral.
DeepSeek: API key sur platform.deepseek.com. Accès à DeepSeek V3, R1 (raisonnement).
OpenRouter: Une seule clé pour accéder à 200+ modèles via un proxy unifié — pratique pour tester rapidement.
Endpoint custom: Pour tout serveur OpenAI-compatible : vLLM, LM Studio en mode serveur, Together, Fireworks, llama.cpp server.

01
Settings → Model Providers
Activez chaque provider que vous voulez utiliser.
02
Coller l'API Key
Champ API Key. Cherry Studio chiffre les clés dans le stockage local de l'app (pas en clair dans un fichier de config visible).
03
Tester la connexion
Le bouton Check à côté de la clé envoie une requête de test. Vert = OK, rouge = clé invalide ou réseau bloqué.
04
Choisir les modèles à exposer
Pour chaque provider, vous cochez les modèles que vous voulez voir dans le sélecteur. Décochez ceux que vous n'utilisez jamais pour ne pas noyer le menu.

Vos clés API restent locales

Cherry Studio est un client : vos clés sont stockées sur votre machine et utilisées pour parler directement aux APIs des providers. Mais c'est aussi une responsabilité — perdre votre laptop = perdre l'accès à vos clés. Si vous travaillez à plusieurs, créez des clés distinctes par poste plutôt que de partager.

#4. Assistants personnalisés

Un assistant Cherry Studio = un system prompt + un modèle par défaut + des paramètres (température, contexte) + éventuellement une base de connaissances rattachée. C'est l'équivalent local des GPTs d'OpenAI, sauf que vous gardez la main.

01
Cliquer sur + dans la sidebar Assistants
Un panneau de création s'ouvre. Nom, emoji, description courte.
02
Définir le system prompt
C'est le cœur de l'assistant : son rôle, ses contraintes, le ton attendu. Exemple : « Tu es un correcteur de copies en français. Tu réponds en pointant les fautes une par une avec la correction. Pas de paraphrase, pas de complaisance. »
03
Choisir le modèle par défaut
Vous pouvez sélectionner n'importe quel modèle de n'importe quel provider configuré. Pour de la correction de texte FR : mistral-large via API, ou un mistral-small local via Ollama si confidentialité.
04
Ajuster température et contexte
0.2 pour une tâche déterministe (correction, extraction), 0.7-1.0 pour de la rédaction créative. La fenêtre de contexte dépend du modèle (jusqu'à 128k pour les modèles récents).
05
Sauvegarder
L'assistant apparaît dans la sidebar. Clic = nouvelle conversation pré-configurée avec ce setup.

→

Partager un assistant

Cherry Studio exporte les assistants en JSON. Pratique pour versionner vos prompts dans un dépôt git ou les partager dans une équipe sans recopier manuellement le system prompt et les paramètres.

#5. Support MCP (Model Context Protocol)

MCP est le protocole publié par Anthropic fin 2024 pour standardiser comment un LLM accède à des outils externes : lire un fichier, requêter une base de données, appeler une API. Cherry Studio est un des premiers clients desktop grand public à le supporter nativement.

Concrètement, vous déclarez un serveur MCP dans Cherry Studio, et tous vos modèles compatibles tool-use (Claude, GPT-4, certains Qwen et Llama) peuvent l'appeler pendant une conversation.

Exemple : MCP filesystem dans Settings → MCP Servers

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

Après ajout, l'assistant peut lister/lire/écrire dans le dossier autorisé. Demandez-lui « Liste les fichiers .md dans mon dossier documents et résume le plus récent » — il invoque l'outil tout seul.

MCP = attention à ce que vous autorisez

Un serveur MCP filesystem pointé sur /home/user donne au LLM un accès lecture/écriture à tout votre home. Limitez toujours le scope au strict nécessaire. Pareil pour les serveurs MCP qui exposent une base de données ou un shell — restez en read-only au début.

#Cherry Studio vs Chatbox vs Jan

Les trois sont des clients desktop open-source pour LLM multi-providers. Les différences :

Cherry Studio: Le plus complet sur la partie agrégation : 15+ providers cloud, Ollama/LM Studio en local, assistants, bases de connaissances, MCP. Interface dense, courbe d'apprentissage un cran au-dessus.
Chatbox: Plus minimaliste et accessible. Moins de providers, pas de MCP, pas de bases de connaissances aussi avancées. Très bien si vous voulez juste un client multi-API propre, sans la lourdeur.
Jan: Plus orienté local-first : Jan embarque son propre moteur d'inférence (basé sur llama.cpp) et peut donc faire tourner des modèles sans dépendre d'Ollama. Moins de providers cloud que Cherry, pas de MCP au moment où on écrit ces lignes.

En résumé : Cherry Studio si vous mélangez beaucoup local et cloud et que vous voulez MCP. Jan si vous voulez le tout-en-un local sans Ollama. Chatbox si vous voulez le client le plus simple.

#Dépannage

Aucun modèle Ollama ne s'affiche: Vérifiez que curl http://localhost:11434/api/tags répond, et cliquez sur Manage → bouton rafraîchir dans le provider Ollama. Si Ollama tourne mais ne répond pas, redémarrez le service.
Erreur 401 sur OpenAI/Anthropic: Clé invalide ou expirée. Régénérez-la depuis la console du provider et recollez-la. Vérifiez aussi que votre compte a du crédit.
Erreur de connexion sur le cloud derrière proxy d'entreprise: Cherry Studio ne lit pas systématiquement les variables d'environnement HTTPS_PROXY. Configurez le proxy dans Settings → General → Network.
MCP serveur ne démarre pas: Node.js manquant ou trop ancien. Installez Node 18+ (nvm conseillé), relancez Cherry Studio. Les logs MCP sont accessibles via View → Toggle Developer Tools → Console.
App lente / qui rame: Trop d'historique accumulé. Les conversations longues alourdissent l'index local. Archivez ou supprimez les anciennes via Settings → Data Management.
Réponse coupée au milieu: Le modèle a hit sa limite de tokens en sortie. Augmentez Max Tokens dans les paramètres de l'assistant (4096 ou plus pour les longues réponses).

#Pour aller plus loin

Cherry Studio est surtout intéressant comme façade unifiée. Pour creuser le backend qui tourne en dessous :

Si vous n'avez pas encore Ollama: « Ollama c'est quoi et comment ça marche » explique le daemon que Cherry Studio interroge en local — utile pour comprendre pourquoi un modèle ne se charge pas.
Si vous comparez Cherry à d'autres interfaces: « LM Studio vs Ollama : lequel choisir en 2026 » et le guide « Msty : l'interface LLM local élégante » couvrent les alternatives directes sur le créneau interface unifiée.
Si vous voulez mutualiser plus loin: « LiteLLM : un proxy unifié local et cloud » va plus loin que Cherry Studio en se plaçant côté serveur, avec fallback automatique entre Ollama local et API cloud.

Ce guide vous a aidé ?

Un retour, une erreur, une précision ? Faites-nous signe, ça améliore le guide pour tout le monde.

Suite logique

Premiers pas · 7 min