Cherry Studio 王新铭：2 个人，Github 42k 星，代码贡献第一名是 Claude - 主题精读稿
Cherry Studio 王新铭：2 个人，Github 42k 星，代码贡献第一名是 Claude - 主题精读稿
前言：从副业项目到 AI Infra
这期对话的核心，是一个 2 人副业项目如何在 DeepSeek 爆发期被用户"追着出来做"，最终成长为 Github 42k Star 的开源 AI 客户端。Cherry Studio 创始人 Eason（王新铭）分享了产品从 Chatbot 客户端向 Agent 平台演进的路径，以及他对 AI Native 组织、本地算力无用论和管理学在 AI 时代复活的一系列判断。这不是一场讲成功学的访谈——它的含金量在于一个深度 AI 使用者在认知上的多次转变，以及这些转变背后具体发生了什么。
一、Cherry Studio 是什么 (00:02 - 02:10)
Cherry Studio 最初是一个开源的多模型 Chatbot 客户端，可以理解为"可以装在自己电脑上的 ChatGPT"——但不绑定单一厂商，OpenAI、Claude、Gemini、DeepSeek、千问、Kimi 都可以接入，集中配置、统一使用。
2025 年 9 月之后，产品升级为 Agent 客户端，底层使用 Claude Agent SDK，全量支持 Claude Code/Codework 的 Skill、Commands、Plugin 等特性，并向更自主化的方向演进，加入了心跳机制、定时任务和外部 channel 连接能力。
用任鑫的比喻来说：早期 Cherry Studio 是个"壳"，帮你把各种模型集中到一处配置；现在越来越"龙虾化"，往 Harness Engineering 那一层延伸，开始做 Agent 的运行基础设施。
二、诞生与转折：用户追着团队出来做 (03:52 - 15:19)
Eason 做 Cherry Studio 的起点很朴素：想深度学习 AI，而"通过使用产品来学习效率太低"。他的逻辑是，做一个能覆盖通用模型所有特性的产品，才能系统性地理解这个行业。另一个现实动因是——高强度用 ChatGPT 会员，经常触发"3小时50次"的使用上限，必须找替代方案。
在 GitHub 翻项目时，他找到了合伙人王谦——两人住在上海嘉定区同一个镇，相隔几百米，"非常巧妙的缘分"。2024年8月开始合作，先后加入 Web Search 和知识库功能，凭借客户端安装便捷和界面友好两个优势，在年底前稳定保持每月新增 1K Star 的增速，临近春节时达到 4K。
真正的转折点是 DeepSeek 爆发。DeepSeek 官网持续崩溃，硅基流动上线了 DeepSeek 模型，大量用户涌向 Cherry Studio——因为安装简单，且当时市面上有知识库功能的同类产品极少。DeepSeek 的官方文档采用了博查搜索引擎，算法对说明详尽的项目加权；Cherry Studio 文档里恰好写了大量关于知识库的内容，被推荐到了用户面前。
一个上午，Cloudflare 每月 2T 的 CDN 流量全部耗尽。 团队"像流浪汉一样到处去嫖人家的 CDN"，勉强撑过爆发期。这件事让 Eason 意识到：不全职投入，就无法承接行业的趋势和红利。
"听起来是用户追着你们屁股后面说，你们出来做吧，而不是你们设想好说，我已经想好出来做了。"——徐文浩的总结，Eason 苦笑认同。
三、开源哲学：开放而非克制 (11:01 - 23:15)
Cherry Studio 选择开源，最初并非商业化考量，而是基于两点：一、自己在学习，顺便给别人带来便利；二、团队资源有限，希望社区贡献者参与进来补完产品。
"在 AI 时代，克制和小而美并不适用。"这是 Eason 的核心判断。AI 变化太快，新概念层出不穷，如果保持极度克制，产品会跟不上发展趋势。所以 Cherry Studio 采取相对开放的合并策略——只要贡献者愿意维护、功能在 AI 时代有潜在价值，就接受。
这种策略也带来了一个有趣的案例：有贡献者想加"笔记"功能，Eason 最初觉得多余（"我有 Obsidian，有 Notion，为什么要在 Cherry Studio 里再做一个笔记"）。但后来他发现，当 Cherry Studio 作为 Agent 基础设施使用时，笔记功能提供了更精细粒度的 AI 交互界面，以及 AI 与人协作产物的沉淀能力——它有了新的位置。
这个案例说明了一件事：在 AI 时代，很多功能的价值会在产品形态演进后才能被看见，过早的克制是一种认知局限。
四、社区运营：外卖群与临界点 (15:47 - 19:49)
当前 Cherry Studio 在 Github 的贡献者排行榜上，社区贡献量早已超过团队自身——而且最近发生了一个新变化：Claude 的代码贡献跃升到第一位，人类贡献者退到第二名。
社区里有几十名活跃贡献者，其中学生占一半，不少人是第一次参与开源项目，从用户转变为贡献者。为了团结这些人，Eason 在团队几乎没有收入的时候，就给每位贡献者报销 20 美元的 Cursor 订阅，后来升级为 200 美元的 Claude Code 订阅。对学生，则开通美团企业版，每天可以点一份晚餐。西北工大的一位贡献者说，在山沟沟里 30 块钱能吃得非常豪华，很开心。
这不只是激励手段，背后是一个关于社区忠诚度的逻辑：让贡献者感受到被珍视，他们才会把自己当成项目的深度成员，而不是偶尔路过的志愿者。
五、用户画像：从截图都不会的用户到中国科学院 (24:06 - 29:06)
Cherry Studio 的用户分布"远超想象地广"。技术型用户（理解 API 和 Key）是最早的群体，但团队很快发现有大量非技术用户涌入。
Eason 讲了一个细节：有个用户来反馈问题，拍的照片模糊，Eason 让他截图，对方问"怎么截图"。之后发现这类用户不是孤例——很多人因为在硅基流动注册时获得了 14 元赠金，误打误撞用上了 Cherry Studio，14 元花完后报错信息直接抛出 API 层的技术语言，用户完全看不懂，连充值在哪里都不知道。
这个现象映射出的产品问题是：onboarding 体验和错误提示还不够友好，没有适配普通用户。
企业端的客户名单同样出乎意料：中国科学院、中国社科院、平安、微众银行、南方电网、麦当劳中国……还有一家做母猪配种的百人养殖企业。国外在读的博士生也在用 Cherry Studio 辅助科研。
六、商业化：克制的平衡与时机判断 (29:47 - 36:40)
Cherry Studio 没有做激进的 token 销售商业化，原因很直接：没有资源补贴用户。Cursor 五亿营收背后可能有十亿亏损，这种打法 Cherry Studio 当时玩不起。让用户平进平出自己承担模型成本，反而把用户习惯沉淀在了 Cherry Studio 里。
一个有意思的数据：在第三方调用 PoE API 的所有软件中，Cherry Studio 排名第一，超过了 PoE 自己的 App Creator 功能模块——一个三方 Chat 客户端，超过了亲儿子产品，这让 Eason 自己也感到意外。
目前商业化的切入点是：做 OS 登录后自动填入 Key，降低 onboarding 门槛，同时推出企业版。这两个动作在社区都收到了百分之百正向的反馈，连开源贡献者也去给他们的企业版点赞。
从更长期看，Eason 认为商业化的时机正在到来——Agent 阶段的 token 消耗量将是 Chat 阶段的百倍千倍，长尾用户渗透率因 OpenClaw 这类产品快速扩大，届时 Cherry Studio 已建好的基础设施（Cherry Infra：API 网关、计费模块）就直接可用。
七、团队规模与 One Man Company (37:51 - 39:43)
两个人起步，九个人现在，半年时间。
对于 Sam Altman 的"One Man Company"，Eason 给出了一个有层次的判断：研发人效大幅提升是必然，但研发产能的瓶颈移除之后，瓶颈会移到下一个环节。一个 Pipeline 有进水口有出水口，只扩了一段没用。某些岗位仍然需要有人，但可能只需要一个人——"30 个人以后可以干 300 甚至 500 个人的事情，但 30 个人还是干不了 5000 个人的事情"。
八、AI Native 组织：三个层次 (41:02 - 47:19)
新公司最大的优势不是技术，是没有历史包袱。Eason 认为这是 2023、2024 年之后建立的公司"最大的优势，没有之一"——它们真正有机会从零搭建 AI Native 组织，而字节、腾讯这类公司，内部可能超过 50% 的人不相信或不愿意拥抱 AI，盘根错节的组织惯性无法快速优化。
但光有意愿还不够。Eason 把 AI Native 组织分成三个层次：
第一层是意愿与方法。招到相信 AI 的人，但有没有真正用 AI 方法解决问题是两回事。很多组织"搞了一帮相信 AI 的人，但没有最大化利用 AI 的杠杆去加速"。
第二层是提升个人产能。这在今天已是共识，不需要多说。
第三层是减少对齐成本。传统组织靠汇报线层层传递目标，信息在每次传递中都会损耗。Eason 提出一个设想：在中间加一条 AI 总线，缩短组织对齐路径，把信息损耗降到最低。
Cherry Studio 内部的实践是：要求产品经理把 PRD 写到"AI 可以看懂"的程度，然后直接扔给 Claude Code 生成功能；研发只做技术选型、架构和质量把关，不再是需求的搬运工；设计师要输出前端可用的代码。原来的线性 Pipeline（产品→设计→研发）变成所有人围绕 Claude Code 并行工作。
"以后就没有所谓的 Pipeline 了。产品经理就是需求工程师，设计师就是品味好的前端工程师，研发就是架构或质量工程师。"
九、产品形态的演变：从客户端到 AI Infra (51:55 - 58:30)
对于 OpenClaw/Claude 这类通过 IM 直接访问 Agent 的产品，Eason 坦承：在一段时间内，它会冲击客户端赛道，而且会加剧。飞书、钉钉作为守门人，必然会自己做这个事，赛道会"极度拥堵"。
但更长期看，交互方式本身可能变得不重要。 当组织协作不再需要那么强的人与人沟通时，飞书和钉钉本身的形态也会受到冲击。Cherry Studio 也不例外——它现在本质上依赖"人去触发、人去使用"，这个模式终将演变。
Cherry Studio 应对这个判断的方法是：向 AI Infra 的方向走，而不是死守客户端形态。已经落地的例子是：借助 OpenClaw 热度，做了一键安装功能（Cherry Studio 是 Electron 环境，可以集成和分发），提供模型网关和 API 网关，让 OpenClaw 直接调用 Cherry Studio 的模型服务——"越来越像一个 AI Infra，而不是完全的用户界面"。
长期规划更明确：把 Agent 放到后端，以 long running agent 的真正形态运行。云服务器、边缘还是设备端，细节还在探讨，但往后端放 Agent 这个方向已经非常确定。
十、认知转变：节约 token 一点都不重要 (1:06:24 - 1:10:31)
这是这期对话里最有密度的一段。Eason 列出了自己在过去一年内发生的几次重大认知反转：
关于 Agent：2025 年初，他对 Agent 的理解是模糊的，甚至觉得它"已经变成一个营销名词"——"封装好的提示词就叫 Agent"。是 Claude Code 在 6 月上线后，他真正感受到了 Agent 是什么：它不是工具，它是可以自主推进任务的智能体。
关于 token 消耗：他之前认为节约 cost 是重要的。现在的判断是：节约 cost 一点都不重要，要用最疯狂燃烧 token 的方式去想事情。这个转变来自和朋友的一次对话——"不要考虑怎么节约 token，那样才真"。
关于本地算力：他曾经认为本地推理有价值。现在的判断是：本地模型推理毫无价值。原因很直接：OpenClaw 今天表现不够好，根本原因是模型不够好——连上 T 参数的云端模型都驱动不好，用本地弱小模型来驱动，就像"从村里选一帮童工，然后期望他们产生博士级别的生产价值"，逻辑不通。云端算力依然是最重要的。
十一、管理学在 AI 时代的复活 (1:17:21 - 1:23:55)
开源形态在 AI 时代是更好的组织形式，Eason 认为这毫无疑问。AI 看 issue、提 PR 的能力质量存在一个临界点，过了那个点，整个项目的代码质量就会超越人类历史上所有人写过的项目。
但管理这件事，人的角色不会消失——只是管理对象从人变成了 AI 与人的混合体。
Eason 分享了自己从管 2-3 人到管 20-30 人时的顿悟：每个人干得都不如自己好时，想上手替掉他，2-3 人还 cover 得住，20-30 人就顾不过来了。他总结出"管理的最小工具"：第一，把事情说清楚；第二，给出反馈——做好了就褒奖，做不好就让他重做。很多管理者连第一步都做不到，让下属猜老板想要什么。
这套逻辑放到管理 AI 上完全适用。更进一步，他引用《高效能人士的七个习惯》里的概念：从"指令型授权"转向"目标型授权"。给 AI 一句话需求（"做一个登录功能"）是指令型，给 AI 完整的目标和约束（支持哪些登录方式、密码规则、边界异常处理）才是目标型。前者可能执行，但结果随机；后者给出更高自由度，AI 训练的最佳实践反而比人想的更全。
任鑫也分享了一个反思：他让 AI 做研究数据库，同时输出两个版本（一个供自己修改、一个让 AI 观察 diff 来学习品味），后来发现这个方法"自己都觉得很丑"——AI 想出的方式是直接用 git 看 diff，根本不需要双版本这种变通。
"大家就要从指令性授权变成目标性授权了，给予 AI 更高的自由度。同时设定边界——不然他实现不好的时候，你还是会退回指令型授权的泥潭。"
十二、壁垒与愿景：人传递理念才是真正的护城河 (1:13:51 - 1:30:34)
在 Eason 看来，今天所有人都是大模型的套壳者，中间层（框架、SDK）的同质化也越来越严重——"就像 OPPO、vivo、小米都跑安卓，上面装的也都是美团、微信、微博"。技术层面的壁垒会持续收窄。
真正的壁垒，是谁能通过人与人的见面，把 AI 使用的理念和思维传递出去。这是 Cherry Studio 成立 AI 效能中心（AIBP，类似 HRBP）的原因——不只是内部使用 AI，而是把能让整个社会生产力提升的方法论系统化、可批量复制。Cherry Studio 的讲师计划已经做了两期，约 200 人参与，但 Eason 认为这还远不够，"真正要做的话，这是一件挺重的事情"。
Cherry Studio 下一步的核心目标：帮助企业实现 AI Native 组织的建设，真正实现十倍甚至百倍的能效提升。
Eason 用一个更宏观的框架来结束：人类大脑有 800-1000 亿个神经元，每个神经元上有上千个突触连接，如果把突触等效为大模型参数，人脑的参数量比今天最大的模型高出两到三个数量级，机制也完全不同。如果 AI 能替代今天人类所有的知识工作和脑力工作，人类也许可以实现新的一次文明跃升——就像工业革命把人从体力劳动中解放出来，人类进入了白领时代。
这不是说效率提升会让大家更闲。而是说：每次解放都打开了一个我们原本无法想象的维度。