1. 为什么我劝你趁早把 ComfyUI 搬到本地先说结论如果你打算长期玩 AI 绘图本地部署 ComfyUI 这件事早晚都得做早做早省心。我自己是从在线版一路用过来的最开始图省事觉得网页打开就能跑何必折腾本地环境。结果用了不到两周就受不了了——排队、限流、模型不能随便换、生成参数被锁死、图片还得一张张手动下载。最要命的是你想装个自定义节点发现根本没权限。那种感觉就像你租了个毛坯房房东还不让你动墙。ComfyUI 跟传统的 WebUI 完全是两个思路。它把整个绘图流程拆成了节点每个节点负责一件事——加载模型、编码提示词、采样、解码、保存。你把这些节点用线连起来就构成了一张工作流图。这种设计的好处是极度灵活你想在采样前插一个图像缩放直接拖个节点进去就行你想同时跑两个不同的采样器做对比复制一份连线就完事。但灵活也意味着门槛很多人第一次打开 ComfyUI 的界面看到满屏的节点和连线直接就懵了。所以这篇内容就是来解决这个问题的。我会从零开始把本地部署 ComfyUI 的完整流程拆开讲清楚——包括硬件怎么选、环境怎么配、模型放哪里、工作流怎么搭、常见报错怎么修。不管你是刚接触 AI 绘图的新手还是从其他工具转过来的老玩家照着走一遍基本都能在自己的机器上跑起来。整个过程不需要你懂 Python也不需要你会写代码跟着操作就行。提示本地部署的核心价值在于数据完全留在自己手里生成过程不受网络波动影响模型和插件想装就装。代价是需要一台配置过得去的电脑以及花一两个小时做初始配置。2. 部署前的硬件与环境盘点2.1 你的电脑能不能跑 ComfyUIComfyUI 对硬件的要求说白了就一句话显卡决定上限内存决定下限。显卡方面NVIDIA 的卡支持最好因为 CUDA 生态成熟大部分自定义节点都是优先适配 N 卡的。显存 8GB 是起步线能跑 SD1.5 和 SDXL 的基础模型12GB 以上会比较舒服可以跑一些较大的模型和更高的分辨率16GB 以上基本就没什么限制了视频生成类的模型也能碰一碰。AMD 的卡也能跑但需要走 DirectML 或者 ROCm 路线配置起来麻烦一些部分节点可能不兼容。Apple Silicon 的 Mac 可以用 MPS 后端速度比不上 N 卡但胜在安静省电。内存方面16GB 是底线32GB 推荐。因为 ComfyUI 在加载模型的时候会把权重读到内存里模型越大占得越多。我试过在 16GB 的机器上加载一个 6GB 的大模型系统直接开始用交换分区生成一张图等了快三分钟。换成 32GB 之后同样的模型加载只要十几秒。硬盘方面强烈建议用固态因为模型文件动辄好几个 G机械硬盘加载起来那个等待时间够你泡杯茶。容量的话准备至少 100GB 的可用空间模型这东西只会越下越多。硬件项最低配置推荐配置说明显卡NVIDIA 6GB 显存NVIDIA 12GB 以上N 卡兼容性最好内存16GB32GB影响模型加载速度硬盘50GB 可用空间200GB 以上固态模型文件体积大系统Windows 10 / LinuxWindows 11 / Ubuntu 22.04Mac 也可但速度受限2.2 系统环境的选择与取舍Windows 和 Linux 我都部署过各有各的优缺点。Windows 的好处是驱动安装简单图形界面操作直观适合大多数用户。缺点是路径里经常有中文和空格容易导致一些节点报错。Linux 的好处是环境干净、性能释放更充分、命令行操作效率高缺点是对新手不太友好装驱动和依赖的时候容易卡住。如果你是第一次部署我建议先用 Windows 跑通等熟悉了再考虑迁移到 Linux。Python 版本这块要注意ComfyUI 目前推荐用 3.10 或 3.11太新的版本比如 3.12部分依赖包可能还没适配太老的版本3.8 以下又不支持一些新特性。我实测下来 3.11 最稳兼容性最好。另外一定要装 Git因为后面拉取项目和更新节点都要用到。如果不想自己配 Python 环境也可以用整合包解压就能用省去了装依赖的麻烦。但整合包的缺点是更新不及时而且你不太清楚里面到底装了什么。注意不管用哪种方式部署安装路径里千万不要有中文和空格。我见过太多人因为路径问题折腾半天最后发现把文件夹从“AI 绘图”改成“ai_draw”就好了。3. 手把手完成 ComfyUI 本地部署3.1 获取 ComfyUI 主程序第一步是拿到 ComfyUI 的代码。最直接的方式是用 Git 克隆官方仓库。打开命令行工具切换到你想要存放的目录然后执行克隆命令。这个过程会把最新的主程序下载下来大概几十兆很快。如果你没有装 Git也可以直接去代码托管页面下载压缩包解压到指定目录。两种方式效果一样但用 Git 的好处是后续更新只需要一条命令不用重新下载。git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI克隆完成之后你会看到目录里有一堆文件和文件夹。先别急着运行接下来要配置 Python 环境。我强烈建议用虚拟环境这样不会污染系统里的 Python也不会因为不同项目的依赖冲突导致各种奇怪的报错。创建虚拟环境的命令很简单一行就搞定。创建完之后激活它你会看到命令行前面多了一个括号说明已经进入虚拟环境了。python -m venv venv # Windows venv\Scripts\activate # Linux / Mac source venv/bin/activate3.2 安装依赖与 PyTorch 的正确姿势激活虚拟环境之后下一步是安装依赖。ComfyUI 的依赖清单在 requirements.txt 文件里用 pip 一键安装就行。但这里有个坑PyTorch 的安装不能直接用默认命令因为默认会装 CPU 版本跑图的时候慢得你想砸电脑。你需要根据自己的 CUDA 版本去 PyTorch 官网找对应的安装命令。比如你的显卡驱动支持 CUDA 12.1那就装 cu121 版本的 PyTorch。# 先装 PyTorch注意替换成适合你环境的版本 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 再装 ComfyUI 的其他依赖 pip install -r requirements.txt怎么确认 PyTorch 装对了激活虚拟环境后输入 python 进入交互模式然后执行两行代码导入 torch打印 torch.cuda.is_available()。如果返回 True说明 GPU 可用如果返回 False说明装成了 CPU 版本需要卸载重装。这个检查步骤非常重要我见过不少人跑图慢得离谱最后发现根本没用上显卡。import torch print(torch.cuda.is_available()) # 应该输出 True print(torch.cuda.get_device_name(0)) # 显示你的显卡型号3.3 模型文件的目录结构与放置规则ComfyUI 跑起来之后你需要把模型文件放到对应的目录里。它的目录结构很清晰不同类型的模型放在不同的文件夹下。主模型也就是 checkpoint放在 models/checkpoints 目录VAE 模型放在 models/vaeLoRA 放在 models/lorasControlNet 放在 models/controlnet。放错位置的话节点里是找不到模型的。我刚开始用的时候把 LoRA 扔到了 checkpoints 里结果加载器里死活刷不出来排查了半天才发现是路径问题。模型类型存放目录常见格式用途主模型models/checkpoints.safetensors / .ckpt决定整体画风VAEmodels/vae.safetensors / .pt影响色彩和细节LoRAmodels/loras.safetensors微调特定风格或角色ControlNetmodels/controlnet.safetensors / .pth控制构图和姿态放大模型models/upscale_models.pth提升图片分辨率模型文件一般从模型分享社区下载格式优先选 safetensors比 ckpt 更安全不容易携带恶意代码。下载完之后直接拖进对应文件夹就行不需要解压。如果你不确定某个模型该放哪里可以看它的文件大小和扩展名来推断几个 G 的通常是主模型几十到几百兆的可能是 LoRA 或 VAEControlNet 一般在一到两个 G 左右。3.4 启动与首次运行验证一切就绪之后在 ComfyUI 根目录下执行启动命令。如果你用的是 NVIDIA 显卡直接运行 main.py 就行。启动过程中命令行会刷出一堆信息包括加载了哪些节点、监听的端口号等。看到“To see the GUI go to: http://127.0.0.1:8188”这行字说明服务已经起来了。打开浏览器输入这个地址就能看到 ComfyUI 的界面了。python main.py首次打开界面你会看到一个默认的工作流包含加载模型、正向提示词、负向提示词、采样器、解码、保存这几个核心节点。先别急着改直接点运行按钮看看能不能出图。如果顺利生成了一张图片恭喜你部署成功了。如果报错别慌下一节我会把常见的报错和解决方法整理出来。第一次运行可能会比较慢因为要加载模型到显存耐心等一会儿。提示如果你的显存比较小可以在启动命令后面加 --lowvram 参数让 ComfyUI 用更省显存的方式运行。代价是速度会慢一些但至少不会爆显存。4. 核心工作流的搭建与参数调优4.1 理解节点式工作流的底层逻辑ComfyUI 的工作流本质上是一张有向无环图数据从左侧的加载节点流入经过一系列处理节点最后从右侧的输出节点流出。每个节点有输入端口和输出端口连线代表数据的传递方向。这种设计的好处是你可以精确控制每一步的处理过程而不是像传统界面那样把所有参数塞在一个表单里。举个例子你想在采样之前对图像做一次缩放只需要在加载图像和采样器之间插入一个缩放节点就行其他部分完全不受影响。理解了这个逻辑你就能看懂大部分工作流了。默认工作流是最基础的文生图流程加载模型 → 编码正向提示词 → 编码负向提示词 → 采样 → 解码 → 保存。每一步都有对应的节点节点之间的连线就是数据流向。你可以把这条链路想象成一条流水线原料从一头进去成品从另一头出来。中间任何一个环节都可以替换或增加新的处理步骤。4.2 关键参数的含义与调节技巧采样器是工作流里最核心的节点它决定了图片的生成质量。里面有几个关键参数需要理解。步数steps控制采样的迭代次数一般 20 到 30 步就够了再往上提升不明显但时间翻倍。CFG 值控制提示词的遵循程度7 到 9 之间比较平衡太低会忽略提示词太高会导致画面过饱和。采样器sampler和调度器scheduler的组合影响生成风格euler 配 normal 是通用选择dpmpp_2m 配 karras 适合追求细节的场景。参数推荐范围作用调节建议步数20-30迭代次数超过 30 收益递减CFG7-9提示词遵循度太高画面发灰采样器euler / dpmpp_2m采样算法前者快后者细调度器normal / karras噪声调度karras 细节更丰富种子随机 / 固定控制随机性固定可复现结果种子这个参数值得单独说一下。默认是随机模式每次运行都会生成不同的图片。如果你想复现某张满意的图就把种子固定下来其他参数不变再运行一次就能得到几乎一样的结果。但要注意如果你改了模型或者采样器即使种子相同结果也会不一样。所以复现的前提是所有参数都保持一致。4.3 从零搭建一个自定义工作流默认工作流只能满足最基础的需求实际使用中你肯定需要根据自己的场景来调整。比如你想做图生图就需要把加载图像节点替换掉空 latent 节点然后调整去噪强度。去噪强度决定了保留多少原图信息0.3 左右是轻微改动0.7 以上基本就是重新画了。再比如你想加一个 LoRA就在模型加载器和采样器之间插入一个 LoRA 加载器节点把模型输出接到 LoRA 的输入再把 LoRA 的输出接到采样器。搭建工作流的时候有个小技巧先把所有需要的节点都拖到画布上再统一连线。这样不容易乱。连线的时候注意端口类型要匹配模型输出只能接模型输入图像输出只能接图像输入接错了会报错。如果连线太多看不清可以用分组功能把相关的节点框在一起给分组起个名字这样工作流大了也不会乱。我见过一些复杂的工作流节点上百个没有分组的话根本没法维护。注意修改工作流之后记得保存ComfyUI 支持把工作流导出成 JSON 文件。这样下次可以直接加载不用重新搭。建议每调好一个满意的流程就导出备份免得手滑改坏了找不回来。5. 常见报错与排查技巧实录5.1 启动阶段的典型问题启动阶段最常见的报错是缺依赖。命令行会提示 ModuleNotFoundError告诉你缺了哪个包。这种情况直接用 pip 装上就行。但有时候装了还是报错那可能是版本不匹配需要指定版本号安装。还有一种情况是 PyTorch 和 CUDA 版本对不上报错信息里会出现 CUDA 相关的字样。这时候需要去 PyTorch 官网查对应关系重新安装匹配的版本。另一个常见问题是端口被占用。ComfyUI 默认用 8188 端口如果这个端口已经被其他程序占了启动会失败。解决方法是在启动命令后面加 --port 参数指定一个新端口比如 --port 8189。还有一种情况是防火墙拦截了本地访问浏览器打不开界面。这时候检查一下防火墙设置把 Python 或者 ComfyUI 加入白名单就行。5.2 运行阶段的显存与内存问题运行阶段最让人头疼的就是显存不足。报错信息通常是 CUDA out of memory意思是显存不够用了。解决方法有几个一是降低生成分辨率比如从 1024 降到 768二是减少批量生成的数量三是启动时加 --lowvram 或 --medvram 参数四是换一个更小的模型。我自己的经验是8GB 显存跑 SDXL 的 1024 分辨率基本是极限再高就会爆。如果经常遇到这个问题可以考虑升级显卡或者用一些显存优化节点。内存不足的表现是系统变得极卡硬盘灯狂闪生成速度骤降。这是因为系统在用交换分区速度比内存慢几十倍。解决方法是关掉其他占内存的程序或者加内存条。另外ComfyUI 在切换模型的时候不会自动释放旧模型占用的内存如果你频繁切换大模型内存会越占越多。这时候可以重启一下 ComfyUI或者用一些清理节点的插件来手动释放。报错类型典型提示原因解决方法缺依赖ModuleNotFoundError包没装或版本不对pip 安装指定版本显存不足CUDA out of memory显存不够降分辨率或加启动参数端口占用Address already in use端口被占换端口启动模型加载失败Error loading model文件损坏或路径错检查文件完整性节点缺失Node not found自定义节点没装通过管理器安装5.3 自定义节点的安装与冲突处理自定义节点是 ComfyUI 生态里最有意思的部分但也是问题最多的部分。安装节点一般有两种方式一种是通过节点管理器搜索安装另一种是手动把节点仓库克隆到 custom_nodes 目录。推荐用管理器它会自动处理依赖省心很多。但管理器也不是万能的有些节点需要特定的依赖版本装了之后可能和其他节点冲突。冲突的表现通常是启动时报错或者某个节点突然不能用了。排查方法是看启动日志找到报错的那个节点把它禁用或者卸载。如果不知道是哪个节点的问题可以先把 custom_nodes 目录清空然后一个一个装回来每装一个重启一次直到找到罪魁祸首。这个过程比较费时间但能彻底解决问题。我一般会在装新节点之前先备份一下整个 custom_nodes 目录出问题了直接还原。提示不要一次性装太多自定义节点尤其是来源不明的。有些节点会修改 ComfyUI 的核心文件导致整个环境崩溃。装之前先看看这个节点的更新频率和社区评价太久没更新的慎用。6. 性能优化与日常使用建议6.1 让生成速度再快一点的几个设置生成速度主要受显卡性能和模型大小影响但有一些设置可以在不换硬件的情况下提升效率。首先是开启 xformers这是一个注意力优化库能显著降低显存占用并提升速度。安装命令很简单pip 装一下就行ComfyUI 会自动检测并启用。我实测在同样的硬件上开启 xformers 之后生成速度提升了大概百分之二十到三十。pip install xformers另一个技巧是使用 TensorRT 加速不过这需要额外的配置步骤而且对模型格式有要求适合愿意折腾的进阶用户。对于大多数人来说xformers 加上合理的参数设置就足够了。还有一点是关闭不必要的预览和日志输出这些虽然不直接影响生成速度但能减少界面卡顿让操作更流畅。在设置里可以把预览质量调低或者关掉实时预览。6.2 模型管理与磁盘空间清理用了一段时间之后你会发现硬盘空间被模型吃得差不多了。一个主模型好几个 GLoRA 虽然小但架不住数量多再加上生成的图片和缓存文件100GB 很快就满了。所以定期清理很有必要。首先是清理不再使用的模型可以直接删掉或者移到外置硬盘里归档。其次是清理缓存文件ComfyUI 在运行过程中会产生一些临时文件这些可以安全删除。图片管理也是个问题。默认情况下生成的图片都堆在一个文件夹里时间长了根本找不到想要的。建议按日期或者项目建子文件夹每次生成的时候指定输出路径。或者用一些图片管理工具给图片打标签、加评分方便后续检索。我自己是每周整理一次把满意的图挑出来单独存放不满意的直接删掉这样既省空间又不会让文件夹太乱。6.3 工作流备份与迁移的实用方案辛苦调好的工作流一定要备份不然哪天系统崩了或者手滑删了哭都来不及。备份的方式很简单在 ComfyUI 界面里导出工作流 JSON 文件存到云盘或者移动硬盘里。但要注意JSON 文件只保存了节点和连线的结构不包含模型文件。所以迁移到新机器的时候除了导入工作流还要把对应的模型也拷过去并且保持相同的目录结构。如果想把整个环境迁移到另一台电脑最省事的方法是直接拷贝整个 ComfyUI 文件夹包括虚拟环境和模型。但这样有个问题虚拟环境里的路径是写死的换机器之后可能用不了。所以更稳妥的做法是在新机器上重新部署然后把模型和工作流拷过去。虽然麻烦一点但不容易出问题。我一般会把模型清单记下来包括文件名和下载来源这样换机器的时候照着清单重新下载就行。7. 我踩过的那些坑和最后的小建议回头看这段折腾的经历有几个坑印象特别深。第一个是路径里的中文当时把 ComfyUI 放在了一个中文命名的文件夹里结果各种莫名其妙的报错排查了一整天才发现是路径问题。第二个是 PyTorch 装成了 CPU 版本跑图慢得以为电脑坏了后来用 torch.cuda.is_available() 一查才发现根本没用到显卡。第三个是自定义节点冲突装了一个冷门节点之后整个界面都打不开了最后只能清空 custom_nodes 重新来过。这些坑其实都有共性就是没有按规范来。路径用英文、装完 PyTorch 先验证、装节点前先备份这三条如果一开始就做到能省下大量时间。另外我想说的是本地部署这件事没有想象中那么难但也没有一键搞定那么简单。花一两个小时认真配一次后面用起来就顺了。遇到报错不要慌先看命令行输出的错误信息大部分问题都能从里面找到线索。最后分享一个小习惯我会在 ComfyUI 根目录下放一个文本文件记录每次改动的内容比如装了什么节点、改了什么参数、遇到了什么问题怎么解决的。时间长了这就是一本自己的运维手册下次再遇到同样的问题翻一下就知道怎么处理了。这个习惯看起来不起眼但真的能省很多事。