Agent 助手使用方法

前置知识

阅读本文前，建议先了解：

• 01-对话助手使用方法 - 了解基础对话助手功能
• 01-MCP 的定义与意义 - 理解 MCP 工作原理

一、什么是 Agent 助手

1.1 Agent 与普通对话的区别

Agent（智能体） 是 Cherry Studio 的核心功能之一。它不同于普通的对话窗口，而是一个拥有独立上下文、预置工具扩展、能够执行复杂多步骤任务的”数字助手”。

[!比喻] 普通对话 vs Agent

• 普通对话：像一个随时在线的聊天朋友，有问必答，但不会主动做事
• Agent：像一个专属助理，不仅能回答问题，还能帮你完成一系列复杂任务

特性	普通对话	Agent 会话
上下文隔离	依赖项目目录	独立沙盒环境
工具扩展	需手动配置 MCP	预置 29+ MCP 服务器
记忆持久化	仅项目级	支持知识图谱记忆
权限范围	受限项目内	可访问用户级目录
任务能力	单轮问答	多步骤自主执行

1.2 支持的模型

Agent 支持多种大模型接入，你可以根据需求灵活切换：

• Claude 系列：Opus、Sonnet、Haiku（推荐用于复杂任务）
• Kimi 系列：Kimi K2.5（开源最强，支持 Agent 调用、图片/视频理解）
• MiniMax 系列：MiniMax-M2
• OpenAI GPT 系列
• 国产模型：通义千问、智谱 GLM 等

注意事项

部分功能（如 Agent Skills）目前仅支持 Anthropic 端点模式的模型。使用 Kimi 等第三方模型时，需将端点类型设置为 Anthropic 以兼容 Agent 协议。

二、核心功能一览

2.1 预置 MCP 服务器

MCP（Model Context Protocol）服务器 是扩展 AI 能力的利器。Cherry Studio 内置了 29 个 常用 MCP 服务器：

# 文件与内容处理
├── server-filesystem      # 文件系统访问
├── server-pdf             # PDF 解析与提取
├── server-video-resource  # 视频资源处理

# 思维与记忆
├── server-memory          # 知识图谱记忆
├── server-sequential-thinking  # 链式思考推理

# 数据与可视化
├── server-sheet-music     # 乐谱渲染
├── server-threejs         # 3D 可视化
├── server-cohort-heatmap  # 数据热力图

# 搜索与信息
├── server-wiki-explorer   # 维基百科探索
└── server-system-monitor  # 系统监控

2.2 Agent 能力架构

graph TD
    A[Agent 智能体] --> B[工作空间<br/>独立目录]
    A --> C[内置工具<br/>bash/edit/glob/grep]
    A --> D[MCP 服务器<br/>29+ 预置扩展]
    
    B --> E[Skill/Plugin<br/>技能/插件扩展]
    C --> E
    D --> E
    
    E --> F[大语言模型<br/>Claude/GPT/Kimi 等]
    
    style A fill:#e1f5ff
    style E fill:#fff3cd
    style F fill:#d4edda

2.3 核心工具调用

Agent 可以直接调用以下工具完成任务：

工具	功能	示例
bash	执行系统命令	查看环境、运行脚本
edit	编辑文件	修改代码、更新文档
glob	文件搜索	查找特定格式文件
grep	内容搜索	搜索包含关键词的文件
webfetch	网页抓取	获取网页内容并分析
websearch	网络搜索	搜索最新信息

三、实战案例

3.1 自动化代码审查

让 Agent 帮你检查代码问题：

# 这段代码有什么问题？
def process_data(data):
    for i in range(len(data)):
        if data[i] > 10:
            data[i] = data[i] * 2
    return data

Agent 分析结果：

1. ⚠️ 直接修改原始数据，建议先复制
2. ⚠️ 建议使用枚举或列表推导式
3. ⚠️ 缺少类型注解

3.2 市场复盘分析（Kimi K2.5 实战）

这是一个完整的 Agent 应用案例：分析金价暴跌原因并生成可视化报告。

Agent 工作流：

sequenceDiagram
    participant 用户
    participant Agent
    participant Search as Search Specialist
    participant Analyst as Business Analyst
    participant Report as Report Generator
    
    用户->>Agent: 分析金价暴跌原因
    Agent->>Search: 抓取新闻/数据
    Search-->>Agent: 返回 10+ 来源
    Agent->>Analyst: 计算指标/对比分析
    Analyst-->>Agent: 返回分析结果
    Agent->>Report: 生成 HTML 报告
    Report-->>Agent: 返回可视化报告
    Agent-->>用户: 完整分析报告

输出结果：

• 📊 交互式图表（Chart.js 绘制）
• 📅 事件时间线标注
• 📈 技术指标/相关性分析
• 🔗 信息来源清单

3.3 年度总结 PPT 生成

使用 Agent Skills 自动生成 PPT：

1. 准备材料：将 Word、Excel、笔记等放入工作目录
2. 发送指令：帮我做一个年度总结 PPT
3. 等待完成：Agent 自动整理内容、设计结构、生成 PPT

Skills 技巧

Skills 相当于”可复用的工作 SOP”。你可以自定义 Skills，让 Agent 重复执行特定任务，如写周报、做 PPT、整理文档等。

3.4 系统信息采集

# 查看当前环境
环境：MINGW64 (Git Bash on Windows)
用户：Tibors0026
Python: 3.10.8
工作目录：/c/Users/Tibors0026/...

四、如何配置自己的 Agent

4.1 创建 Agent 步骤

flowchart TD
    A[打开 Cherry Studio] --> B[点击 Agent 选项卡]
    B --> C[点击 + 新建 Agent]
    C --> D[设置名称]
    D --> E[选择模型]
    E --> F[配置工作目录]
    F --> G[启用 MCP 服务器]
    G --> H[设置系统提示词]
    H --> I[完成创建]

详细配置：

配置项	说明	建议
名称	Agent 标识	如 Gold Market Analysis Agent
模型	使用的 LLM	Claude Sonnet（平衡性能/成本）
工作目录	Agent 操作范围	选择需要访问的文件夹
文件权限	读写控制	按需开放
系统提示词	定义 Agent 角色	在 .claude/prompts/ 中定义

4.2 添加 MCP 服务器

设置 → Agent → MCP Servers → 添加服务器

常用配置示例：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "指定目录"]
    }
  }
}

4.3 文件结构规范

使用 Agent Skills 时，推荐以下目录结构：

Kimi Agent/                           # 项目根目录
├── .claude/                          # Cherry Studio Agent 标准配置目录
│   ├── prompts/                      # 系统提示词
│   │   ├── system_prompt_cn.md       # 中文版
│   │   └── system_prompt_en.md       # 英文版
│   ├── skills/                       # Skills（自动识别）
│   │   ├── skill_financial_data_fetcher.md
│   │   ├── skill_geopolitical_analyst.md
│   │   └── skill_financial_report_generator.md
│   ├── agents/                       # Sub-agents 定义
│   │   ├── subagent_financial_intelligence.md
│   │   └── subagents_usage_strategy.md
│   ├── config/                       # 路径/配置
│   │   └── paths.conf
│   └── settings.json                 # 总配置
├── docs/                             # 文档
└── start-gold-agent.sh               # 一键启动脚本

目录说明

• .claude/ 是 Cherry Studio 的标准识别路径，选择工作目录后会自动读取 Skills
• skill_*.md 命名格式的文件会被识别为 Skill

五、高级使用技巧

5.1 链式思考（Sequential Thinking）

对于复杂问题，启用 sequential-thinking 服务器，让 Agent 分步骤推理：

问题：我需要从零搭建一个博客系统，需要多久？

Agent 会：
1. 分析需求（技术栈、功能模块）
2. 评估各模块工作量
3. 给出时间估算
4. 建议优先级

5.2 记忆复用

通过 memory 服务器，Agent 可以跨会话记住关键信息：

/remember 我常用 Python 3.10，主要做数据分析

下次会话时，Agent 会自动记住这个偏好。

5.3 任务委托

将大任务拆解成子任务，委托给不同的 Agent 或 Sub-agent：

Agent	职责
Agent-A	资料搜集
Agent-B	初稿撰写
Agent-C	审核校对

Sub-agent 与 Skills 的关系：

• Sub-agent = “专家角色”：定义谁来做什么、用什么工具、输出什么格式
• Skills = “可复用模块”：定义具体怎么执行某一步骤

5.4 自定义 Skills

创建自定义 Skills 只需两个文件：

my-skill/
├── SKILL.md          # Skill 定义文件
└── skill_logic.md    # 具体逻辑（可选）

在 SKILL.md 中告诉 AI：

• 需要做什么
• 怎么做
• 做到什么程度

让 AI 帮你写 Skill

新建一个 Agent，使用 skill-creator 技能，然后直接说： 帮我创建一个 skill，功能是：XXX，逻辑是：XXX，参考下面的文件结构

六、优缺点总结

优点 ✅	缺点 ❌
开箱即用：29 个 MCP 服务器预置	高级功能付费：部分功能需要 Plus 会员
上下文隔离：沙盒环境，安全可靠	文档不完善：MCP 服务器文档尚待补充
记忆能力强：支持知识图谱，跨会话记忆	Linux/Mac 功能差异：部分功能 Windows 优先
多模型支持：灵活切换，择优使用
Windows 友好：原生支持 Windows 环境

七、适用场景推荐

场景	推荐指数	说明
📝 自动化写作	⭐⭐⭐⭐⭐	从大纲到内容，一气呵成
🔍 技术调研	⭐⭐⭐⭐⭐	资料搜集、整理、分析全流程
💻 代码辅助开发	⭐⭐⭐⭐	代码审查、重构、调试
📊 数据分析	⭐⭐⭐⭐	数据清洗、分析、可视化
🌐 信息抓取整理	⭐⭐⭐⭐	网页内容抓取、摘要生成
🎵 创意生成	⭐⭐⭐⭐	头脑风暴、创意发散

八、总结

核心要点

1. Agent 本质：能自主执行多步骤任务的智能助手，而非简单问答
2. 工作空间：Agent 的操作范围，支持文件读写和命令执行
3. 工具系统：内置 5 大工具（bash、edit、glob、grep、task）+ 29+ MCP 服务器
4. 扩展能力：支持 Skill 和 Plugin，遵循标准协议
5. 高级技巧：链式思考、记忆复用、任务委托提升效率

关键收获

使用 Agent + Skills 的方式，让你的角色从”执行者”转变为”指挥官”。你只需要告诉 Agent 要做什么，剩下的交给 AI 来完成！

---

延伸阅读

• 01-对话助手使用方法 - 基础对话助手功能
• index - 返回 Cherry Studio 总览
• 01-MCP 的定义与意义 - 深入理解 MCP 协议
• 01-Skill 的定义与作用 - 了解 Skill 系统设计
• 03-使用方法 - Agent 应用场景实战