技术知识库 · 工具评测 · · 国科智飞 Gavin
Cherry Studio、LobeHub、Open WebUI：三套自托管 AI 客户端怎么选
桌面端、Agent 编排、企业私有化，三条路线各有代表。先看许可证，再按场景选，是最省事的顺序。
企业想引入 AI 工具时，最常被问到的三个候选是 Cherry Studio、LobeHub 和 Open WebUI。它们表面都是"多模型 AI 客户端"，实际上路线完全不同：一个是桌面应用，一个在往 Agent 编排平台转型，一个是企业级自托管平台。选错不会立刻出问题，但会在许可、运维或者能力天花板上一层层还债。
它们是什么
Cherry Studio（CherryHQ）：用户基数最大的 AI 桌面客户端之一，Electron 技术栈，内置 300 多个预设助手，支持多模型对话，AGPL-3.0。
LobeHub（LobeHub LLC）：从聊天客户端升维到 Agent 编排平台，Next.js 技术栈，核心创新是 Agent Groups、IM 网关和 Skills 市场，Apache 2.0 加商业条款。
Open WebUI（Open WebUI Inc.）：事实上的自托管 AI 平台标准，Python + FastAPI 加 SvelteKit，最常被拿来配 Ollama 本地模型，自定许可证加品牌限制。
截至 2026 年 6 月，三者的 GitHub Star 量级分别是 4.7 万、7.8 万和 14 万，都是各自赛道里最活跃的项目。Star 数只能说明社区热度，选型的决定性因素在别处。
从克隆下来的代码体量也能看出定位差异：Cherry Studio 约 77MB，LobeHub 约 200MB，Open WebUI 约 158MB。体量不等于质量，但 LobeHub 的功能面铺得最宽，Cherry Studio 最聚焦——一个要做平台，一个要做好一个客户端。
能力与亮点
Cherry Studio 的强项是开箱即用。 桌面端零运维，装上就能用；300 多个预设助手覆盖常见场景，员工不用从零学提示词；多模型对话、MCP 支持、22 种语言。它的目标用户就是个人和"给员工发个工具"的企业。
LobeHub 的强项是 Agent 编排。 Agent Groups 支持多 Agent 协作，Skills 市场提供 1 万以上的技能素材，IM 网关是它的核心卖点——可以把 Agent 直接接入企业沟通工具。它不满足于做聊天窗口，而是想做团队的 AI 工作台。
Open WebUI 的强项是企业级完整度。 RBAC、SSO、SCIM、LDAP、OpenTelemetry 一应俱全，支持 9 种向量库、9 种内容提取器、15 种以上的 Web 搜索集成，RAG 能力是三家里最厚的；Pipelines 框架可以把 Function Calling、限流、用量监控、消息过滤做成可插拔服务。需要私有化部署、权限体系和审计的团队，基本只能在它和商用方案之间选。
三家都支持 MCP，但用法不同。 Cherry Studio 走 Marketplace 路线，配合 WebDAV 可以做数据同步；LobeHub 把 MCP 插件作为 Agent 能力的扩展入口；Open WebUI 的扩展性主要体现在 Pipelines。对要接内部业务系统的团队，MCP 是比"再写一套 API 对接"更标准的接口层，值得优先看。
局限与坑
许可证是最大的坑，而且三家的模式都不同。
Cherry Studio 是 AGPL-3.0，桌面端自用没问题，但网络条款会咬人：你做 SaaS 服务或者修改后对外提供，就必须开源。给客户装自己用可以，拿它做托管服务不行。
LobeHub 是 Apache 2.0 加商业条款：不修改源码做运维服务可以商用，改源码二次分发需要买商业许可。想着"魔改一版卖给客户"的团队，先看清这条。另外注意，仓库里 package.json 标注的 MIT 与 LICENSE 文件并不一致，以 LICENSE 为准。
Open WebUI 是自定许可加品牌限制：50 个终端以下比较宽松，包括换皮；超过 50 个终端要走企业 License。规则最透明，但边界也最硬。
部署坑各不相同。 Cherry Studio 是桌面端，企业批量部署要写脚本，而且无法集中管控；LobeHub 提供 Vercel 和 Docker 多套部署方式，canary 分支容易踩坑；Open WebUI 的 Docker 最朴素，但 9 种向量库、15 种搜索、多个 STT 选项拼起来是配置地狱，调优需要 RAG 功底。
形态决定天花板。 桌面端天然做不了集中权限管控和审计，Cherry Studio 适合"个人生产力工具"的位置；LobeHub 和 Open WebUI 都是 Web 端，但企业能力差距明显——前者面向团队协作，后者面向 IT 治理。想清楚你的需求是"给员工一个顺手的工具"还是"给 IT 一个可控的平台"，答案会直接分岔。
真实部署案例三家都缺。 README 里都没有"哪些公司在用"的清单，做提案时这是个共同的空缺，只能靠自己搭原型验证。
第三方安全审计三家都没有公开记录。 OpenSSF 之类的审计信息都查不到，企业内网部署时要把依赖组件审计纳入流程，别默认"开源就等于安全"。
培训成本递增。 Cherry Studio 的预设助手把提示词门槛降到最低；Open WebUI 需要理解向量库和检索概念；LobeHub 的 Agent Groups 和 Skills 需要团队先接受 Agent 协作的概念，培训成本最高。
适用场景
- 员工自用、快速铺开：Cherry Studio。桌面端零运维，培训成本最低。
- 团队要做 AI Agent 协作：LobeHub。Agent 编排、技能市场、IM 网关是它为团队准备的能力。
- 企业私有化部署：Open WebUI。RBAC、SSO 加完整的 RAG 栈，是三家里唯一能进企业 IT 体系的。
- 跑 Ollama 本地模型：Open WebUI。它和 Ollama 的组合接近事实标准。
- 换皮成自有品牌：Open WebUI，但要在 50 终端以下；LobeHub 需要商业谈判；Cherry Studio 的 AGPL 基本断了这条路。
- 复杂工作流和自动化：这三家都不强，要另找工作流平台。
选型建议
顺序建议反过来看：先定许可证边界，再定场景。内部自用和对外服务是两种完全不同的合规处境，把这个前提确定下来，候选池会立刻缩小一半。
然后是形态选择：员工要的是装在自己电脑上的工具，选桌面端；企业要的是集中管控的平台，选 Web 端。最后才是功能对比——在这一步，三家的差异反而最容易看清。
还有一条实践建议：三家的商业化路径都比较健康，没有突然改协议的记录，但都处于快速迭代期。上线前锁定版本、观望一个发布周期，比追最新版稳当。真要用到企业能力，提前和官方确认 License 口径，别等系统上线了再补课。
落地时建议先跑一个两周左右的小规模试点：选 5 到 10 个真实用户，把最常见的三个需求跑通，再决定是否全公司铺开。这三家的部署成本都不高，真正的成本在培训和习惯养成——工具选得再对，没人用也是零。