1. 为什么我劝你趁早把 ComfyUI 搬到本地如果你最近在折腾 AI 绘画大概率已经听过 ComfyUI 这个名字。它不像那些一键出图的网页工具点一下按钮就完事它更像是一块乐高底板节点、连线、模型、采样器全部摊在你面前你想怎么拼就怎么拼。问题也随之而来在线版排队、限流、模型不能随便换、出图尺寸被卡死、生成的内容还要过审稍微敏感一点的创意直接给你拦下来。折腾到半夜图没出几张火气倒是攒了一肚子。所以我把 ComfyUI 直接搬到了自己的机器上。本地部署这件事说难也难说简单也简单。难的是第一次面对一堆 Python 环境、CUDA 版本、模型路径、依赖冲突很容易卡在某个报错上怀疑人生简单的是一旦跑通一次后面就是复制粘贴的活。这篇内容就是把我自己踩过的坑、验证过的步骤、以及那些教程里不会写的细节完整地摊开讲一遍。不管你是刚接触 AI 绘画的新手还是已经用过其他工具想转过来的老玩家只要跟着走基本都能在自己的电脑上把 ComfyUI 跑起来而且不依赖任何外部服务完全自己说了算。我先把结论放前面本地部署 ComfyUI 的核心就三件事——环境对不对、模型放没放对地方、显存够不够用。剩下的都是围绕这三件事做文章。下面我会从整体思路开始拆再一步步带你落地最后把常见报错和排查方法整理成速查表。内容比较长建议先收藏操作的时候对着看。2. 整体部署思路与方案选型2.1 本地部署到底解决了什么问题先想清楚为什么要本地部署。在线工具最大的优势是省事打开浏览器就能用但它有三个绕不过去的坎。第一是模型自由度你只能用平台提供的那些基础模型想换一个社区里刚出的风格模型对不起不支持。第二是生成限制分辨率、批量数量、生成次数都有天花板想跑一张 4K 大图或者一次出二十张挑一张要么加钱要么等。第三是隐私与内容控制你的提示词、参考图、生成结果都要经过别人的服务器创意还没落地就先被别人看了一遍。本地部署之后这三个问题全部消失。模型想换就换从基础模型到各种微调版本下载下来丢进文件夹就能用。分辨率想拉多高拉多高只要你的显卡扛得住。提示词和图片全在本地硬盘上不经过任何外部网络。代价就是你需要一台配置还过得去的电脑以及愿意花一两个小时把环境搭起来。这一两个小时的一次性投入换来的是后面无数次的自由出图怎么算都划算。2.2 硬件门槛到底在哪很多人卡在第一步就是不确定自己的电脑能不能跑。我直接给一个经验判断你可以对照自己的配置看。硬件项最低能跑比较舒服非常流畅显卡显存6GB8GB-12GB16GB 以上内存16GB32GB64GB硬盘256GB 固态512GB 固态1TB 以上固态操作系统Windows 10 / LinuxWindows 11 / Linux同左显存是最关键的指标。6GB 能跑基础的 512x512 出图但稍微大一点的分辨率或者复杂的节点流程就会爆显存。8GB 是目前比较主流的入门线能应付大部分日常出图。12GB 以上就可以比较从容地跑高分辨率和视频生成类的节点。内存方面16GB 是底线因为模型加载和图片处理都会吃内存32GB 会明显更稳。硬盘一定要用固态机械硬盘加载模型的速度会让你等到失去耐心一个几 GB 的模型从机械盘读进来可能要一两分钟。注意这里说的显存是显卡的物理显存不是共享内存。有些轻薄本会拿内存当显存用跑起来会非常慢不建议用这类机器做本地部署。2.3 三种部署方式怎么选目前本地跑 ComfyUI 主要有三条路我分别说一下适用场景。第一种是官方整合包。官方会不定期发布打包好的版本解压之后双击启动脚本就能用省去了装 Python、配环境的步骤。适合完全不想碰命令行的人。缺点是更新稍微麻烦一点而且整合包里的依赖版本是固定的想自己加一些特殊节点可能会冲突。第二种是手动安装。自己装 Python、装 PyTorch、克隆代码仓库、装依赖。步骤多但每一步都清楚出了问题知道去哪查。适合愿意折腾、想完全掌控环境的人。我自己的主力机器就是手动装的因为后面要加各种自定义节点手动环境更灵活。第三种是容器化部署。把整个环境打包进容器里隔离性好换机器迁移方便。适合有一定运维基础的人或者需要在多台机器上保持一致环境的场景。对纯新手来说门槛偏高不建议作为第一次尝试的方案。我下面主要按手动安装的流程来讲因为搞懂了手动流程整合包和容器化你都能自己推导出来。而且手动装一遍之后后面遇到任何环境问题你都有能力自己排查。3. 环境准备与核心依赖安装3.1 Python 版本的选择与安装ComfyUI 是基于 Python 的所以第一步是把 Python 装对。这里有个坑不要装最新版的 Python。很多 AI 相关的库对 Python 版本有要求太新的版本反而会出现依赖找不到的情况。目前比较稳的是 Python 3.10 和 3.11我实测 3.11 兼容性最好推荐用这个。安装的时候有一个关键选项必须勾上Add Python to PATH。这个选项的作用是把 Python 加到系统环境变量里这样你在命令行里直接输入 python 就能调用。如果不勾后面每一步都要手动指定 Python 的完整路径非常麻烦。安装完成后打开命令行输入python --version如果显示 3.11.x 就说明装好了。python --version # 期望输出Python 3.11.x如果提示找不到命令说明 PATH 没配好重新运行安装程序选择修改把 Add to PATH 勾上再装一遍。3.2 显卡驱动与 CUDA 的关系这是新手最容易懵的地方。简单说显卡驱动是操作系统和显卡之间的翻译官CUDA 是让显卡做通用计算的工具包。你要用显卡来跑 AI 模型这两个都得有。显卡驱动去显卡厂商的官网下载对应型号的最新版就行安装过程一路下一步。装完之后在命令行输入nvidia-smi如果能显示显卡型号、驱动版本、CUDA 版本就说明驱动没问题。nvidia-smi # 会显示显卡型号、驱动版本、当前支持的 CUDA 版本这里显示的 CUDA 版本是驱动支持的最高版本不是你已经装了 CUDA。实际上你不需要单独去装 CUDA 工具包因为 PyTorch 会自带运行所需的 CUDA 运行时。你只需要确保驱动版本足够新能支持 PyTorch 要求的 CUDA 版本就行。一般来说驱动更新到最近半年内的版本都不会有问题。提示如果你用的是较老的显卡比如 10 系也能跑但速度会慢一些而且某些新版本的 PyTorch 可能不再支持。这种情况建议查一下 PyTorch 官方文档里对应显卡的支持情况选一个还能用的版本。3.3 PyTorch 安装的版本匹配逻辑PyTorch 是 ComfyUI 的核心计算框架装错版本是最常见的翻车点。安装命令要去 PyTorch 官网的安装页面生成不要凭记忆手敲。你需要选三个东西PyTorch 版本、操作系统、计算平台。计算平台这里选 CUDA 版本。选哪个 CUDA 版本取决于你的驱动支持到哪。前面nvidia-smi显示的 CUDA 版本如果是 12.1 以上就选 CUDA 12.1 对应的 PyTorch。如果显示的是 11.8就选 CUDA 11.8 的版本。选高了装不上选低了浪费性能。生成的命令大概长这样pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这条命令的意思是从 PyTorch 官方的 CUDA 12.1 仓库里下载安装 torch、torchvision、torchaudio 三个包。装完之后验证一下显卡能不能被 PyTorch 识别import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果第一行输出 True第二行输出你的显卡型号就说明 PyTorch 和显卡已经打通了。如果输出 False说明 CUDA 版本不匹配或者驱动有问题回到上一步检查。3.4 获取 ComfyUI 代码与依赖安装环境准备好之后把 ComfyUI 的代码拿到本地。用 Git 克隆是最方便的方式方便后面更新。git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI进入目录之后安装依赖pip install -r requirements.txt这一步会安装一堆 Python 库包括图像处理、模型加载、节点系统相关的包。安装过程中如果看到红色的报错先别慌看清楚是哪个包失败了。常见的是某个包需要编译工具Windows 上可能需要装 Visual C 构建工具。按照报错提示去装对应的工具就行。依赖装完之后先别急着启动还有模型要放。模型是 ComfyUI 的弹药没有模型它什么都干不了。4. 模型文件的分类与放置规则4.1 模型目录结构详解ComfyUI 对模型的存放位置有严格要求放错了就识别不到。代码目录下有一个models文件夹里面按类型分了子文件夹。你必须把对应类型的模型放进对应的子文件夹这是硬规则。模型类型存放路径作用基础模型models/checkpoints决定整体画风和质量变分自编码器models/vae影响色彩和细节还原文本编码器models/clip把提示词转成模型能懂的语言控制网模型models/controlnet控制构图、姿势、边缘放大模型models/upscale_models提升出图分辨率低秩适配模型models/loras微调特定风格或角色基础模型是最重要的没有它什么都跑不了。一个基础模型通常几个 GB下载的时候注意看文件格式一般是 safetensors 或者 ckpt。优先选 safetensors加载更快也更安全。4.2 模型下载渠道与选择建议模型从哪里来主要是社区分享平台。下载的时候注意几点第一看清楚模型的基础版本不同基础版本之间不通用第二看文件大小太小可能是损坏的或者不是完整模型第三看更新时间和下载量太冷门的模型可能有问题。下载下来之后直接丢进对应的文件夹。文件名建议改成英文避免中文路径导致的编码问题。改完名字之后ComfyUI 启动时会自动扫描这些文件夹把模型列出来。注意模型文件很大下载和拷贝的时候确保硬盘空间充足。一个基础模型动辄 2GB 到 7GB几个模型下来就是几十 GB。建议专门留一个分区或者文件夹放模型。4.3 模型加载的显存占用逻辑这里解释一个很多人困惑的问题为什么我显存明明够加载模型还是报错因为显存占用不只是模型本身的大小。一个 2GB 的模型加载到显存里实际占用可能到 3GB 到 4GB因为还有中间计算结果、图像缓冲区、节点运行时的开销。所以选模型的时候要留余量。6GB 显存建议用 2GB 左右的模型8GB 可以用 4GB 左右的12GB 以上就比较自由了。如果显存不够ComfyUI 有一个低显存模式可以在启动参数里加上--lowvram它会牺牲一些速度来换取更低的显存占用。python main.py --lowvram这个参数的作用是把模型分块加载用的时候才把需要的部分搬进显存用完就释放。速度会慢一些但能让小显存的机器也跑起来。5. 启动流程与首次出图实操5.1 启动命令与参数调优一切就绪之后在 ComfyUI 目录下运行启动命令python main.py启动成功后命令行会显示一个本地地址通常是http://127.0.0.1:8188。把这个地址复制到浏览器打开就能看到 ComfyUI 的节点界面了。启动参数可以根据你的硬件情况调整常用的有这几个python main.py --lowvram # 低显存模式适合 6GB 以下 python main.py --highvram # 高显存模式适合 16GB 以上 python main.py --port 8080 # 换一个端口避免冲突 python main.py --listen 0.0.0.0 # 允许局域网访问--listen这个参数的作用是让同一局域网内的其他设备也能访问你的 ComfyUI比如用平板或者手机操作。但要注意开了这个参数之后同网络下的设备都能连进来自己家里用没问题公共网络下要谨慎。5.2 默认工作流的节点解读第一次打开界面会看到一个默认的工作流几个节点用线连着。别被这些线吓到其实逻辑很简单。从左到右依次是加载模型、输入提示词、设置采样参数、解码图像、保存图像。加载模型节点负责把基础模型读进来。提示词节点分正向和负向正向写你想要的负向写你不想要的。采样器节点控制生成过程里面的步数、采样方法、随机种子都会影响结果。解码节点把模型输出的潜空间数据转成看得见的图像。保存节点把图像写到硬盘上。你可以先不改任何东西直接点运行等几十秒到几分钟第一张图就出来了。这张图不一定好看但它的意义是证明你的环境完全跑通了。跑通之后再慢慢研究每个节点的参数。5.3 关键参数的计算与选择采样步数是最常调的参数。步数太少图像没收敛看起来糊步数太多浪费时间收益递减。一般来说 20 到 30 步是甜点区。我实测 20 步和 30 步的差距肉眼几乎看不出来但时间差了 50%。所以日常出图用 20 步就够了追求极致再上 30 步。分辨率的选择要考虑显存。512x512 是最安全的8GB 显存可以上到 768x76812GB 可以尝试 1024x1024。但注意分辨率不是越高越好很多基础模型是在 512 或 768 上训练的直接拉太高会出现画面崩坏比如人物多出手脚。正确做法是先用基础分辨率出图再用放大模型提升分辨率。随机种子决定生成的随机性。固定种子可以复现同一张图换种子就是完全不同的结果。调试的时候固定种子方便对比不同参数的效果。找到满意的构图之后再换种子微调。6. 常见报错与排查技巧实录6.1 启动阶段的典型问题启动阶段最常见的报错是模块找不到提示ModuleNotFoundError。这通常是依赖没装全或者装到了错误的 Python 环境里。解决办法是先确认当前命令行用的 Python 是不是你装依赖的那个用where python查看路径。如果路径不对说明你开了多个 Python 环境需要激活正确的环境再装一遍依赖。另一个常见问题是端口被占用提示Address already in use。这是因为 8188 端口已经被别的程序占了。解决办法是换一个端口启动加上--port 8189就行。还有一种情况是启动卡住不动命令行没有任何输出。这通常是显卡驱动或者 CUDA 的问题。先跑一下前面说的 PyTorch 验证代码确认显卡能被识别。如果识别不了重新装驱动和 PyTorch。6.2 出图阶段的显存与精度问题出图阶段最烦的是显存不足提示CUDA out of memory。这个报错的本质是当前操作需要的内存超过了显卡能提供的。解决办法有几个层次第一降低分辨率第二减少批量数量第三加--lowvram启动参数第四关掉其他占显存的程序比如游戏、浏览器的大量标签页。还有一个隐蔽的问题是精度不匹配提示expected scalar type Half but found Float。这是因为模型用了半精度但某个节点传了全精度的数据。解决办法是在启动参数里加--force-fp32强制用全精度运行。速度会慢一点但兼容性更好。报错信息可能原因解决办法ModuleNotFoundError依赖缺失或环境错误确认 Python 路径重装依赖Address already in use端口被占用换端口启动CUDA out of memory显存不足降分辨率、减批量、低显存模式expected scalar type精度不匹配加 --force-fp32 参数模型加载失败路径错误或文件损坏检查路径重新下载模型6.3 模型识别不到的排查思路模型放进文件夹了但界面上就是找不到这种情况我遇到过好几次。排查顺序是这样的第一确认文件夹层级对不对是不是多套了一层目录第二确认文件扩展名对不对有些下载下来是压缩包要解压第三重启 ComfyUI它只在启动时扫描模型第四看命令行有没有报错有时候是模型文件损坏导致扫描中断。还有一个容易忽略的点是文件名里的特殊字符。有些模型文件名带空格、括号、中文可能导致扫描失败。统一改成英文加下划线问题基本就解决了。实操心得我习惯在模型文件夹里放一个文本文件记录每个模型的来源和用途时间长了模型多了光看文件名根本记不住哪个是哪个。这个习惯帮我省了很多重新下载的时间。7. 性能优化与长期使用建议7.1 让出图速度再快一点环境跑通之后下一步就是优化速度。最直接的办法是升级硬件但那是花钱的事。不花钱的优化有几个方向。第一把模型放在固态硬盘上加载速度会快很多。第二关闭不必要的后台程序释放内存和显存。第三调整采样步数找到质量和速度的平衡点。第四使用更高效的采样方法不同的采样器速度差异很大可以多试几个找到最快的。还有一个技巧是预热。第一次出图因为要加载模型会特别慢。你可以先跑一张小图把模型加载进显存后面的图就会快很多。如果长时间不用模型可能会被系统换出显存再出图又会变慢这是正常现象。7.2 工作流的保存与复用ComfyUI 的工作流是可以保存的。调好一套满意的节点组合之后点保存会生成一个 json 文件。下次要用的时候直接加载这个文件所有节点和参数都回来了。这个功能非常实用因为复杂的节点流程重新连一遍很费时间。我建议按用途分类保存工作流比如人像、风景、放大、修复各存一套。文件名写清楚用途和关键参数方便以后查找。工作流文件很小可以备份到网盘或者移动硬盘换机器的时候直接拷过去就能用。7.3 长期使用的维护习惯本地部署不是一劳永逸的需要一些维护。定期更新 ComfyUI 代码和依赖能获得新功能和性能改进。但更新之前建议备份当前能用的环境因为新版本可能引入不兼容的改动。我的做法是更新前把整个目录复制一份出问题就回滚。模型文件也要定期整理。删掉不用的模型释放空间给常用的模型做好分类。硬盘空间不足是长期使用中最常见的问题一个模型几个 GB不知不觉就满了。养成定期清理的习惯能避免关键时刻没空间。最后说一个我自己的体会本地部署 ComfyUI 最大的价值不是省了多少钱而是那种完全掌控的感觉。你的工作流、你的模型、你的出图记录全部在你自己手里。想怎么改就怎么改想什么时候跑就什么时候跑。这种自由度是任何在线服务都给不了的。第一次配置确实要花点时间但跑通之后你会发现之前踩的那些坑都值了。