Principiante 9 minInterfaces

Cherry Studio: 1 interfaz para todos tus LLM (locales + cloud)

Tienes Ollama funcionando en local para el uso diario, crédito en OpenAI para las tareas complejas y una clave de Mistral para el francés. Tres interfaces diferentes, tres historiales, tres lugares donde copiar y pegar tus prompts. Cherry Studio es un cliente de escritorio de código abierto que reúne todos tus LLM —locales y en la nube— en una sola aplicación, con asistentes personalizados y soporte MCP.

Por Mohamed Meguedmi·Actualización 2026-08-27·Probado en Windows, macOS y Linux

#¿Por qué Cherry Studio?

Cherry Studio (CherryHQ/cherry-studio en GitHub, licencia AGPL-3.0) es una aplicación de escritorio Electron que se posiciona como un agregador de proveedores de LLM. La idea: una sola interfaz, un solo historial, tus prompts disponibles en cualquier lugar — independientemente de que el modelo subyacente sea un Qwen 3.5 local en Ollama, GPT-4o en OpenAI o Claude Sonnet en Anthropic.

Para alguien que combina LLM locales y en la nube, Cherry Studio resuelve un problema concreto: dejar de alternar entre LM Studio para los modelos locales, ChatGPT.com para OpenAI, Claude.ai para Anthropic y una pestaña de Mistral para Le Chat. Configuras cada proveedor una vez y cambias de un modelo a otro dentro de la misma conversación si es necesario.

Soporte nativo para múltiples proveedores
Ollama, LM Studio, OpenAI, Anthropic Claude, Mistral, DeepSeek, Gemini, OpenRouter, Groq, Together, y cualquier endpoint compatible con OpenAI.
Open-source AGPL-3.0
Código público en GitHub. Sin telemetría de salida por defecto. Puedes compilarlo tú mismo.
Aplicación de escritorio multiplataforma
Windows, macOS (Intel + Apple Silicon), Linux (AppImage, .deb).
Asistentes persistentes
Prompt de sistema + parámetros + modelo preconfigurado, reutilizable como un GPT.
Bases de conocimiento
Importación de archivos (PDF, Word, Markdown) con embeddings: un RAG integrado sin tener que montar nada por tu cuenta.
MCP (Model Context Protocol)
Conexión de servidores MCP para dar herramientas a tus LLM (filesystem, web, base de datos)
i
Lo que Cherry Studio no es
No es un motor de inferencia: no descarga modelos por sí solo ni ejecuta los LLM directamente. Para ejecutarlos en local, necesita Ollama o LM Studio como backend. Es un cliente, no un servidor.

#Prerrequisitos

El kit de IA Local

Tu ChatGPT privado y gratuito en tu máquina en 1 hora — LM Studio, Ollama, Open WebUI, tus documentos, sin nube.

  • Espacio en línea de por vida
  • PDF + archivos
  • Reembolsado 30 j
El kit de IA Local →o todos los kits de por vida — 49 € →
Sistema de 64 bits
Windows 10/11, macOS 11+, Linux reciente. No hay versión móvil oficial (Cherry Studio es solo para escritorio).
4 GB de RAM libres
La app en sí es ligera (Electron), pero si también ejecutas Ollama con un modelo 7B cargado, calcula 8 GB en total.
Al menos un backend LLM
O bien Ollama ejecutándose en localhost:11434, o bien una clave API de un proveedor en la nube (OpenAI, Anthropic, Mistral...). Sin eso, la aplicación está vacía.
(Opcional) Node.js para MCP
Varios servidores MCP se instalan mediante npx — se recomienda Node 18+ si deseas usar esta característica.

#1. Instalación en Windows / macOS / Linux

El proyecto publica binarios firmados en la página Releases de GitHub. Descarga la última versión estable directamente desde el repositorio oficial.

Lanzamientos en GitHub
https://github.com/CherryHQ/cherry-studio/releases
  1. 01
    Windows
    Descarga Cherry-Studio-x.y.z-x64-setup.exe (instalador NSIS) o la versión portátil. Haz doble clic y sigue las instrucciones del asistente. No es necesario instalar dependencias externas.
  2. 02
    macOS
    Descarga el .dmg correspondiente a tu arquitectura: Cherry-Studio-x.y.z-arm64.dmg para Apple Silicon (M1/M2/M3/M4), -x64.dmg para Intel. Arrastra la aplicación a /Applications. La primera vez que la abras, haz clic derecho → Abrir para eludir Gatekeeper si la aplicación no está notarizada.
  3. 03
    Linux
    Descarga el .AppImage (universal) o el .deb (Debian/Ubuntu). Para el AppImage: chmod +x Cherry-Studio-x.y.z.AppImage y luego haz doble clic. Para el .deb: sudo dpkg -i Cherry-Studio-x.y.z.deb.
→
Verificar la integridad del binario
En la página Releases, cada archivo tiene un hash SHA-256 publicado. En Linux: sha256sum Cherry-Studio-*.AppImage y compara el resultado. En macOS: shasum -a 256 Cherry-Studio-*.dmg. Solo lleva 10 segundos y te protege de una versión infectada.

#2. Conectar Ollama en local

La primera vez que se inicia, Cherry Studio muestra una pantalla vacía: no hay ningún modelo configurado. Empezamos por lo más sencillo: conectarlo a tu Ollama local.

Asegúrate primero de que Ollama esté funcionando y escuchando en su puerto estándar.

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

Debes recibir una respuesta en formato JSON con la lista de modelos instalados. Si curl devuelve un error de conexión, arranca el servicio Ollama antes de continuar.

  1. 01
    Abrir los ajustes
    En Cherry Studio, haz clic en el icono Settings (abajo a la izquierda) y luego en Model Providers.
  2. 02
    Activar Ollama
    Busca Ollama en la lista de proveedores y pon el interruptor en ON. El campo API Host se rellena por defecto con http://localhost:11434 — no cambies nada si Ollama está ejecutándose en la misma máquina.
  3. 03
    Sincronizar modelos
    Haz clic en Manage a la derecha y luego en el botón de actualización. Cherry Studio consulta Ollama y muestra todos tus modelos instalados (qwen3.5, granite4.2, gemma4...). Marca los que quieras que aparezcan en el selector.
  4. 04
    Probar
    Vuelve a la vista Chat, crea una nueva conversación, elige un modelo Ollama en el menú superior y envía un mensaje. La respuesta debe ir apareciendo progresivamente en la ventana.
i
Ollama en otra máquina
Si tu Ollama se ejecuta en un servidor de la red local, sustituye localhost por la IP (por ejemplo: http://192.168.1.42:11434). En el servidor, Ollama debe iniciarse con OLLAMA_HOST=0.0.0.0:11434 para escuchar en todas las interfaces; de lo contrario, rechazará las conexiones remotas.

#3. Añadir también los proveedores en la nube

La utilidad de Cherry Studio se hace evidente cuando combinas proveedores. Puedes tener 5 proveedores activos simultáneamente y cambiar entre ellos con un clic en el selector de modelo.

OpenAI
Clave de API en platform.openai.com. Cherry Studio ofrece acceso a GPT-4o, GPT-4 Turbo, o1, etc.
Anthropic Claude
Clave de API en console.anthropic.com. Modelos Claude Sonnet 4.6, Haiku, Opus disponibles.
Mistral
Clave de API en console.mistral.ai. Acceso a Mistral Large, Codestral, Pixtral.
DeepSeek
Clave API en platform.deepseek.com. Acceso a DeepSeek V3, R1 (razonamiento).
OpenRouter
Una sola clave para acceder a 200+ modelos a través de un proxy unificado — útil para probar rápidamente.
Endpoint personalizado
Para cualquier servidor compatible con OpenAI: vLLM, LM Studio en modo servidor, Together, Fireworks, llama.cpp server.
  1. 01
    Settings → Model Providers
    Activa cada proveedor que quieras usar.
  2. 02
    Pegar la clave de API
    Campo API Key. Cherry Studio cifra las claves en el almacenamiento local de la app (no en texto plano en un archivo de configuración visible).
  3. 03
    Probar la conexión
    El botón Check junto a la clave envía una solicitud de prueba. Verde = OK, rojo = clave inválida o red bloqueada.
  4. 04
    Elegir los modelos que se mostrarán
    Para cada proveedor, marcas los modelos que quieres ver en el selector. Desmarca los que nunca usas para no saturar el menú.
!
Tus claves API permanecen en tu equipo
Cherry Studio es un cliente: tus claves están almacenadas en tu máquina y se usan para hablar directamente con las APIs de los proveedores. Pero también es una responsabilidad: perder tu portátil significa perder el acceso a tus claves. Si trabajas en equipo, crea claves distintas por puesto en lugar de compartirlas.

#4. Asistentes personalizados

Un asistente de Cherry Studio = un prompt de sistema + un modelo predeterminado + parámetros (temperatura, contexto) + posiblemente una base de conocimientos asociada. Es el equivalente local de los GPTs de OpenAI, salvo que tú mantienes el control.

  1. 01
    Hacer clic en + en el panel lateral Assistants
    Se abre un panel de creación. Nombre, emoji, descripción breve.
  2. 02
    Definir el prompt de sistema
    Es el corazón del asistente: su función, sus restricciones y el tono esperado. Ejemplo: «Eres un corrector de trabajos escritos en francés. Respondes señalando los errores uno por uno con su corrección. Sin paráfrasis, sin complacencia».
  3. 03
    Elegir el modelo predeterminado
    Puedes seleccionar cualquier modelo de cualquier proveedor configurado. Para corrección de texto en francés: mistral-large a través de API, o un mistral-small local a través de Ollama si se requiere privacidad.
  4. 04
    Ajustar temperatura y contexto
    0.2 para una tarea determinista (corrección, extracción), 0.7-1.0 para redacción creativa. El tamaño del contexto depende del modelo (hasta 128k para modelos recientes).
  5. 05
    Guardar
    El asistente aparece en la barra lateral. Hacer clic = nueva conversación preconfigurada con este setup.
→
Compartir un asistente
Cherry Studio exporta los asistentes en JSON. Útil para versionar tus prompts en un repositorio git o compartirlos con un equipo sin copiar manualmente el prompt del sistema y los parámetros.

#5. Soporte para MCP (Model Context Protocol)

MCP es el protocolo publicado por Anthropic a finales de 2024 para estandarizar cómo un LLM accede a herramientas externas: leer un archivo, consultar una base de datos, llamar a una API. Cherry Studio es uno de los primeros clientes de escritorio para el público en general que lo soporta de forma nativa.

En concreto, declaras un servidor MCP en Cherry Studio, y todos tus modelos compatibles con el uso de herramientas (Claude, GPT-4, algunos Qwen 3.5 y Granite 4.2) pueden llamar a ese servidor durante una conversación.

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

Una vez añadido, el asistente puede listar, leer y escribir en la carpeta autorizada. Pídele: «Lista los archivos .md en mi carpeta documentos y resume el más reciente»; utilizará la herramienta por sí solo.

!
MCP = ten cuidado con lo que permitas
Un servidor MCP de sistema de archivos configurado para acceder a /home/user da al LLM acceso de lectura y escritura a todo tu directorio personal. Limita siempre el alcance a lo estrictamente necesario. Lo mismo se aplica a los servidores MCP que exponen una base de datos o un shell: mantén el modo de solo lectura al principio.

#Cherry Studio vs Chatbox vs Jan

Los tres son clientes de escritorio open-source para LLM de múltiples proveedores. Las diferencias:

Cherry Studio
El más completo en agregación: más de 15 proveedores en la nube, Ollama/LM Studio en local, asistentes, bases de conocimiento, MCP. Interfaz densa, curva de aprendizaje algo más exigente.
Chatbox
Más minimalista y accesible. Menos proveedores, sin MCP y sin bases de conocimiento tan avanzadas. Muy buena opción si solo quieres un cliente multi-API sencillo y bien organizado, sin complicaciones innecesarias.
Jan
Más orientado a priorizar el funcionamiento local: Jan incorpora su propio motor de inferencia (basado en llama.cpp) y, por tanto, puede ejecutar modelos sin depender de Ollama. Menos proveedores en la nube que Cherry, sin MCP en el momento de escribir estas líneas.

En resumen: Cherry Studio si combinas mucho local y nube y quieres MCP. Jan si quieres una solución local todo en uno sin Ollama. Chatbox si quieres el cliente más sencillo.

#Solución de problemas

No aparece ningún modelo de Ollama
Verifica que curl http://localhost:11434/api/tags responda, y haz clic en Manage → botón de refrescar en el proveedor Ollama. Si Ollama está funcionando pero no responde, reinicia el servicio.
Error 401 en OpenAI/Anthropic
Clave inválida o caducada. Regénérala desde la consola del proveedor y vuelve a pegarla. Comprueba también que tu cuenta tenga crédito.
Error de conexión en el cloud detrás de un proxy empresarial
Cherry Studio no lee siempre las variables de entorno HTTPS_PROXY. Configura el proxy en Settings → General → Network.
El servidor MCP no se inicia
Node.js faltante o demasiado antiguo. Instala Node 18+ (se recomienda nvm), vuelve a iniciar Cherry Studio. Los logs MCP son accesibles a través de View → Toggle Developer Tools → Console.
App lenta / que va a trompicones
Demasiado historial acumulado. Las conversaciones largas sobrecargan el índice local. Archiva o elimina las antiguas mediante Settings → Data Management.
Respuesta cortada a la mitad
El modelo ha alcanzado su límite de tokens de salida. Aumenta Max Tokens en los ajustes del asistente (4096 o más para respuestas largas).

#Para ir más allá

Cherry Studio resulta especialmente interesante como interfaz unificada. Para profundizar en el backend que funciona por debajo:

Si aún no tienes Ollama
«Ollama: qué es y cómo funciona» explica el demonio que Cherry Studio consulta localmente; resulta útil para entender por qué un modelo no se carga.
Si comparas Cherry con otras interfaces
«LM Studio vs Ollama: ¿cuál elegir en 2026?» y la guía «Msty: una elegante interfaz para LLM locales» cubren las alternativas directas en el segmento de las interfaces unificadas.
Si quieres ir más allá al compartir recursos
« LiteLLM: un proxy unificado local y en la nube » va más allá de Cherry Studio al situarse en el lado del servidor, con fallback automático entre Ollama local y API en la nube.
¿Esta guía te ha ayudado?

¿Un comentario, un error, una precisión? Avísanos, eso mejora la guía para todos.