1. 为什么我劝你先搞清楚 ComfyUI 到底吃的是什么资源很多人第一次接触 ComfyUI是被它那种节点式工作流吸引进来的——拖几个框、连几根线一张图就出来了看起来比传统界面灵活太多。但真到自己动手部署的时候问题就来了显卡够不够、显存怎么算、Python 版本选哪个、模型往哪儿放、插件冲突怎么办。这一堆问题堆在一起新手很容易在第一步就卡住然后去搜各种整合包结果装完发现要么跑不起来要么跑起来慢得离谱。我自己前前后后在不同配置的机器上部署过 ComfyUI 不下十次从 8G 显存的老卡到 24G 的新卡从 Windows 到 Linux踩过的坑基本能写一本小册子。这篇内容就是把这些经验整理出来让你不用去翻几十个帖子、不用求人远程自己就能把本地环境搭起来并跑通第一个工作流。先说清楚 ComfyUI 是什么。它本质上是一个基于节点图的 Stable Diffusion 前端用 Python 写的核心依赖 PyTorch。你拖的每一个节点背后都是一段 Python 函数在跑你连的每一根线传递的是图像张量、模型对象或者数值参数。所以它的资源消耗大头在 GPU 上尤其是显存。CPU 主要负责调度、加载模型、处理一些预处理逻辑内存占用也不小但真正决定你能不能跑、跑多快的是显卡。这里有个很多人忽略的点ComfyUI 本身很轻它不像一些整合软件那样自带一大堆东西。它的重来自于你加载的模型。一个 SD1.5 的底模大概 2G 到 4GSDXL 的底模 6G 到 7G再加上 VAE、ControlNet、LoRA、IPAdapter 这些附加模型显存占用会一层层叠上去。所以你在部署之前先要对自己的硬件有个清醒的认识而不是看别人说8G 能跑就觉得自己也行——别人说的能跑可能是 512x512 出图你想要的是 1024x1024 加一堆控制节点那完全是两回事。我一般会建议按下面这个思路先做自我评估显存容量能做的事情需要接受的妥协6G 及以下SD1.5 基础出图512x512基本不能用 SDXLControlNet 只能开一个8GSD1.5 流畅SDXL 勉强SDXL 需要开低显存模式出图慢12GSD1.5 很舒服SDXL 可用SDXL 高分辨率需要分块16GSDXL 比较流畅复杂工作流偶尔爆显存24G 及以上SDXL 高分辨率、视频模型基本没有明显瓶颈这个表不是绝对的因为还跟你的系统内存、显卡架构、驱动版本有关系但它能帮你快速判断自己该往哪个方向走。如果你只有 8G 显存那就老老实实从 SD1.5 开始别一上来就折腾 SDXL 加一堆插件那样只会让你觉得这东西根本跑不动。还有一个容易被忽视的资源是硬盘。模型文件动辄几个 G一个完整的工作流环境加上各种模型轻松占掉 100G 以上。而且模型加载速度跟硬盘读写速度直接相关机械硬盘和固态硬盘的体验差距非常明显。我自己的做法是单独准备一块 1T 以上的固态盘专门放模型和输出系统盘只装环境和代码这样既方便管理也不会因为模型太多把系统盘撑爆。2. 部署前的环境准备Python、Git 和显卡驱动这三件事在真正动手装 ComfyUI 之前有三样东西必须先搞定Python 环境、Git 工具、显卡驱动。这三样任何一个出问题后面都会莫名其妙地报错而且报错信息往往跟真正的原因差得很远新手很容易被带偏。2.1 Python 版本的选择与隔离ComfyUI 对 Python 版本是有要求的太新或太旧都可能出问题。目前比较稳妥的选择是 Python 3.10 或 3.11。3.12 虽然也能跑但部分依赖包的预编译版本还没跟上装的时候容易卡在编译环节。我个人的建议是直接用 3.11兼容性和稳定性都比较好。这里要强调一个概念不要用系统自带的 Python。Windows 上很多人直接去官网下个安装包装上然后所有项目共用这一个环境结果就是 A 项目需要的包版本和 B 项目冲突最后两个都跑不起来。正确的做法是用虚拟环境把 ComfyUI 的依赖隔离在一个独立的空间里。创建虚拟环境的方式有两种一种是 Python 自带的 venv一种是 conda。我倾向于用 venv因为它更轻不需要额外装一大套东西。操作很简单在你想放 ComfyUI 的目录下打开命令行执行python -m venv comfyui_env然后激活它。Windows 下是comfyui_env\Scripts\activateLinux 或 macOS 下是source comfyui_env/bin/activate激活之后你命令行前面会出现一个括号里面是环境名说明你已经进到这个独立环境里了。之后所有 pip 安装的包都只在这个环境里生效不会污染系统。注意每次重新打开命令行窗口都需要重新激活虚拟环境。很多人装完包第二天回来发现怎么又找不到模块了就是因为忘了激活。2.2 Git 的安装与基本配置ComfyUI 的代码是通过 Git 仓库分发的所以你需要装 Git。Windows 下去 Git 官网下载安装包一路默认下一步就行。安装完之后打开命令行输入git --version能显示版本号就说明装好了。Git 装好之后建议做两个基础配置一个是用户名一个是邮箱虽然对本地使用影响不大但有些插件在安装时会读取这些信息git config --global user.name 你的名字 git config --global user.email 你的邮箱还有一个很实用的配置是换行符处理。Windows 和 Linux 的换行符不一样如果不配置有时候拉下来的脚本会因为换行符问题执行失败git config --global core.autocrlf true这个配置在 Windows 上设成 trueLinux 和 macOS 上设成 input能避免大部分换行符相关的诡异问题。2.3 显卡驱动的检查与更新显卡驱动这块N 卡用户直接去官网下最新的 Studio 驱动或者 Game Ready 驱动都行关键是版本不能太老。太老的驱动会导致 PyTorch 无法识别显卡或者识别了但跑起来报 CUDA 错误。怎么判断驱动够不够新打开命令行输入nvidia-smi如果能看到显卡信息和 CUDA 版本号说明驱动基本正常。右上角显示的 CUDA 版本是你驱动支持的最高版本不是你必须装的版本。比如显示 CUDA 12.4你可以装 CUDA 12.1 的 PyTorch也可以装 12.4 的但装不了 12.6 的。A 卡用户稍微麻烦一点需要走 ROCm 路线Windows 上的支持不如 Linux 完善。如果你是 A 卡加 Windows我建议要么换 Linux要么考虑用 CPU 模式跑但速度会很慢。Mac 用户用 MPS 后端M 系列芯片表现还不错但生态和 N 卡比还是有差距。3. 拉取代码与安装依赖那些文档里不会写的细节环境准备好之后就可以拉 ComfyUI 的代码了。这一步看起来简单但实际操作中有几个细节如果没注意后面会花很多时间排查。3.1 克隆仓库与目录结构规划先找一个合适的目录比如D:\AI\ComfyUI或者~/ai/ComfyUI然后在命令行里执行git clone https://github.com/comfyanonymous/ComfyUI.git拉下来之后你会看到这样的目录结构ComfyUI/ ├── comfy/ ├── custom_nodes/ ├── models/ ├── output/ ├── input/ ├── main.py ├── requirements.txt └── ...这里重点说几个目录。models是放模型的地方里面又分了checkpoints、vae、loras、controlnet等子目录不同类型的模型要放到对应目录里放错了 ComfyUI 是识别不到的。custom_nodes是放插件的地方后面装插件都往这里放。output是出图保存的位置默认按日期分文件夹。我自己的习惯是把models目录做成一个软链接指向一个专门的大容量硬盘分区。这样即使以后重装 ComfyUI模型也不用重新下载。Windows 下可以用mklink /J命令创建目录联接Linux 下用ln -s。3.2 安装 PyTorch版本匹配是关键依赖安装里最关键的是 PyTorch。ComfyUI 的requirements.txt里虽然写了 torch但默认装的可能是 CPU 版本或者版本跟你的 CUDA 不匹配。所以我的做法是先手动装 PyTorch再装其他依赖。去 PyTorch 官网的安装页面根据你的 CUDA 版本选择对应的命令。比如 CUDA 12.1 的稳定版本pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这个命令里的cu121就是 CUDA 12.1 的意思。如果你不确定自己的 CUDA 版本用nvidia-smi看一下然后选一个不高于它的版本。比如显示 12.4你可以选 cu121 或 cu124。装完之后验证一下进入 Python 交互环境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说明 PyTorch 和显卡都正常。如果输出 False那就是版本不匹配或者驱动有问题需要回头检查。提示这一步是整个部署过程中最容易出问题的地方。如果torch.cuda.is_available()返回 False不要急着往下走先把这个问题解决掉否则后面跑图会直接报错。3.3 安装剩余依赖与常见报错处理PyTorch 装好之后再装其他依赖pip install -r requirements.txt这个过程一般比较顺利但偶尔会遇到某个包编译失败。常见的原因有两个一是缺少 C 编译工具Windows 上需要装 Visual Studio Build Tools二是网络问题导致下载超时可以换国内镜像源重试pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple如果某个包一直装不上可以单独装它看看具体报什么错。我遇到过insightface这个包在 Windows 上编译失败的情况后来发现是缺少visualcpp-build-tools装上就好了。还有xformers这个包它对版本要求比较严格装错了会导致出图变黑或者直接崩溃建议先不装等基础环境跑通之后再考虑。4. 第一次启动与工作流跑通从零到出图的完整链路依赖装完之后就可以启动 ComfyUI 了。在 ComfyUI 根目录下执行python main.py如果一切正常你会看到命令行输出一串信息最后有一个本地地址通常是http://127.0.0.1:8188。用浏览器打开这个地址就能看到 ComfyUI 的界面了。4.1 启动参数的选择与显存优化默认启动参数对大多数情况够用但如果你显存比较紧张可以加一些优化参数。比如python main.py --lowvram这个参数会让 ComfyUI 把模型分块加载到显存里适合 8G 及以下显存。还有--medvram适合 12G 左右--highvram适合 24G 以上。如果你不确定就先默认启动跑图的时候看显存占用爆了再调。还有一个参数是--listen加上之后可以让局域网内其他设备访问比如你用平板或手机连同一个网络就能在浏览器里操作。不过这个涉及网络配置新手可以先不管。4.2 加载第一个模型与界面初识启动之后界面默认会加载一个基础工作流包含 Load Checkpoint、CLIP Text Encode、KSampler、VAE Decode、Save Image 这几个节点。但这时候你还没有模型所以 Load Checkpoint 节点是空的。你需要去下载一个底模放到models/checkpoints目录下。SD1.5 的模型比较小适合新手练手。下载完之后在界面上点 Load Checkpoint 节点的刷新按钮就能在下拉框里看到你的模型了。选好模型之后在正向提示词框里输入一段描述比如 a cat sitting on a chair, masterpiece, best quality负向提示词里输入 lowres, bad anatomy, worst quality然后点右边的 Queue Prompt 按钮等几秒到几十秒图就出来了。第一次出图成功的那一刻还是挺有成就感的但别急着高兴后面还有一堆东西要调。4.3 出图失败时的排查顺序如果点了 Queue Prompt 之后报错了不要慌按下面的顺序排查看命令行窗口的报错信息通常会指出是哪个节点、哪一行出的问题。如果是 model not found检查模型是否放对目录、文件名是否完整。如果是 CUDA out of memory说明显存不够加--lowvram参数重启或者降低出图分辨率。如果是 module not found说明某个依赖没装上根据报错里的模块名去 pip 安装。如果是黑图或者花屏可能是 VAE 问题换一个 VAE 或者用--force-fp16参数试试。这个排查顺序是我自己总结的能覆盖大部分新手遇到的问题。关键是要养成看命令行日志的习惯ComfyUI 的报错信息其实挺详细的只是很多人不看直接去搜ComfyUI 报错结果搜到的答案跟自己的情况对不上。5. 插件生态与模型管理让 ComfyUI 真正好用起来基础环境跑通之后你会发现默认的节点不太够用。比如你想用 ControlNet 控制姿势想用 IPAdapter 做风格迁移想用 AnimateDiff 做视频这些都需要装插件。ComfyUI 的插件生态非常活跃但也是坑最多的地方。5.1 插件的安装方式与冲突处理装插件主要有两种方式。一种是通过 ComfyUI Manager这是一个管理插件的插件装上之后可以在界面里搜索、安装、更新其他插件非常方便。安装 ComfyUI Manager 的方法是在custom_nodes目录下执行git clone https://github.com/ltdrdata/ComfyUI-Manager.git然后重启 ComfyUI界面上会多出一个 Manager 按钮。另一种方式是手动克隆插件仓库到custom_nodes目录下然后安装该插件的依赖。手动方式适合那些 Manager 里搜不到的插件或者你想用特定版本的插件。插件冲突是常见问题。两个插件可能依赖同一个包的不同版本或者注册了同名的节点。遇到冲突时最直接的办法是看启动日志ComfyUI 会提示哪个插件加载失败。然后你可以选择禁用某个插件在插件目录下放一个.disabled文件或者手动调整依赖版本。我自己的习惯是插件不要一次装太多装一个测一个确认没问题再装下一个。这样出问题的时候容易定位。另外插件更新也要谨慎有时候新版本会引入不兼容的改动导致原本能跑的工作流跑不了了。如果当前环境稳定不要频繁更新。5.2 模型文件的组织与命名规范随着你用的模型越来越多模型管理会变成一个头疼的问题。我的建议是从一开始就建立一套命名规范比如checkpoints/ ├── sd15/ │ ├── realisticVision_v60.safetensors │ └── dreamshaper_8.safetensors ├── sdxl/ │ ├── juggernautXL_v9.safetensors │ └── sd_xl_base_1.0.safetensors loras/ ├── character/ ├── style/ controlnet/ ├── sd15/ ├── sdxl/按模型类型和基础版本分目录文件名保留原始名称加上版本号。这样你在 ComfyUI 的下拉框里能快速找到想要的模型也不会因为文件名太相似而选错。还有一点模型文件最好保留.safetensors格式不要用.ckpt。.ckpt格式存在安全风险而且加载速度慢一些。现在大部分模型发布者都会提供.safetensors版本优先选这个。5.3 工作流的保存、分享与复用ComfyUI 的工作流可以保存成 JSON 文件也可以直接拖拽图片到界面里还原工作流如果图片里嵌入了工作流信息。这个特性非常实用你在网上看到别人分享的图下载下来拖进 ComfyUI就能看到完整的工作流。保存工作流的时候建议把用到的模型名称、关键参数都记在文件名或者备注里。比如sdxl_controlnet_openpose_1024x1024.json这样以后翻出来一看就知道是干什么的。我见过太多人存了一堆workflow_1.json、workflow_2.json过一个月自己都不知道哪个是哪个。分享工作流给别人时要注意对方可能没有你用的模型或插件。最好在分享时附上一份说明列出需要的模型和插件清单。如果工作流里用了自定义节点对方没装的话会显示红色节点需要先装对应插件才能用。6. 性能调优与常见问题让出图速度再快一点环境跑通、插件装好之后接下来就是优化了。同样的硬件不同的设置出图速度可能差好几倍。这一部分分享一些我实测有效的调优手段。6.1 显存与速度的平衡策略前面提到的--lowvram、--medvram、--highvram是最基础的显存控制手段。但除此之外还有几个参数值得关注。--force-fp16会强制使用半精度浮点数能显著降低显存占用但某些模型在 fp16 下会出现黑图或色彩异常。如果你的模型支持 fp16加上这个参数能省不少显存。--fp16-vae和--bf16-vae是针对 VAE 的精度控制。VAE 解码是显存消耗大户用 fp16 或 bf16 能降低这部分占用。bf16 比 fp16 的动态范围更大不容易出现数值溢出但需要显卡支持。--disable-xformers和--disable-smart-memory这两个参数一般不用加但如果你遇到奇怪的崩溃或者出图异常可以试试禁用它们来排查问题。还有一个很实用的技巧是分块解码。在 VAE Decode 节点上有一个tiled选项开启之后会把大图分成小块解码显存占用大幅降低代价是速度慢一些。对于高分辨率出图这个选项几乎是必开的。6.2 采样器与步数的选择逻辑采样器Sampler和调度器Scheduler的选择对出图质量和速度都有影响。ComfyUI 提供了很多组合新手容易挑花眼。我一般推荐这几个组合eulernormal速度快质量中规中矩适合快速预览。dpmpp_2mkarras质量好速度适中适合正式出图。dpmpp_2m_sdekarras质量更好但速度慢一些适合追求细节。ddimuniform老牌组合稳定性好但速度偏慢。步数方面20 到 30 步是常用范围。低于 20 步可能出图不完整高于 30 步收益递减速度却线性增加。我自己的习惯是预览用 15 步正式出图用 25 到 30 步。CFG Scale 控制提示词的遵循程度一般 7 到 8 比较合适。太低会不听话太高会色彩过饱和、画面僵硬。有些模型推荐 4 到 6具体看模型说明。6.3 那些让人抓狂的报错与解决思路最后整理几个我遇到过的高频报错和解决思路希望能帮你少走弯路。报错一CUDA out of memory这是最常见的。解决思路按优先级排降低分辨率、加--lowvram、开启 VAE tiled 解码、减少同时加载的模型数量、关闭其他占用显存的程序。如果都不行那就是硬件真的不够只能升级显卡或者用云端方案。报错二RuntimeError: expected scalar type Half but found Float这是精度不匹配的问题。通常是某个模型或插件强制用了 fp16但另一个部分用的是 fp32。解决办法是加--force-fp32参数或者找到冲突的插件更新到最新版本。报错三ModuleNotFoundError: No module named xxx缺依赖。根据报错里的模块名用 pip 装上就行。如果装不上可能是包名和模块名不一致搜一下pip install 模块名通常能找到正确的包名。报错四出图全黑或全灰可能是 VAE 问题换一个 VAE 试试。也可能是模型本身损坏重新下载。还有可能是采样器设置问题换一个采样器看看。报错五插件加载失败界面显示红色节点说明插件没装好或者依赖缺失。看命令行日志里这个插件的报错信息通常是缺某个包。装上之后重启 ComfyUI。这些问题的共同点是报错信息其实都给了线索关键是要耐心看日志不要一看到红色就慌。我刚开始的时候也是一报错就到处搜后来发现大部分问题在命令行里都写得很清楚只是自己没仔细看。7. 关于本地部署这件事我自己的几点体会折腾 ComfyUI 本地部署这段时间最大的感受是它不像装一个普通软件那样点几下就完事它更像是在搭一个小型开发环境。你需要理解 Python 环境隔离、依赖管理、显卡驱动、模型加载这些概念才能真正做到不求人。但这个过程是值得的。一旦环境搭好你就拥有了一个完全可控的出图工具不用受网络限制不用担心服务停运想怎么改就怎么改。而且 ComfyUI 的节点式设计让你能精确控制每一个环节这是很多封装好的工具做不到的。如果让我给新手一个建议那就是先把最基础的流程跑通不要一上来就追求完美。先能出图再考虑优化速度先装一个插件再考虑装十个。每一步都确认没问题了再往下走这样即使出问题你也能快速定位是哪一步引入的。还有一点善用社区资源。ComfyUI 的 GitHub 仓库、讨论区、各种工作流分享站点都是很好的学习材料。遇到问题先搜一下大概率有人遇到过同样的问题。但搜的时候要注意看发布时间太老的帖子可能已经不适用了因为 ComfyUI 更新很快半年前的解决方案可能已经失效。最后说一个我踩过的坑不要随便更新。不管是 ComfyUI 本体还是插件如果当前环境稳定就不要手痒去点更新。我有一次更新了一个插件结果整个工作流跑不了了回滚又花了不少时间。后来我养成了一个习惯更新之前先备份整个目录出问题直接还原省得折腾。