在家用电脑上折腾出一个自己的 ComfyUI这事说难不难说简单又确实能把一大批人挡在门外。我见过太多人收藏了十几篇部署教程结果打开一看全是打开命令行输入 pip install xxx人直接就懵了另一边又有人连整合包和手动部署区别都没搞清下了几十个G的压缩包解压失败折腾一个周末还没见过出图界面长什么样。这篇就是写给这两种人的——不管你是完全零基础的新手还是想搞懂原理的进阶玩家目标只有一个让你在自己电脑上把 ComfyUI 跑起来并且跑得稳、跑得省心不用四处求人。ComfyUI 本地部署的核心价值很直接节点式工作流把生成图这个动作拆成了可自由组合的积木想换采样器就换个节点想加 ControlNet 就拖个节点进来而且不依赖任何线上平台模型、数据、生成过程全在自己手里。它不是 Stable Diffusion WebUI 的替代品但如果你追求工作流的可复现性、批量出图的效率以及把各种新模型FLUX、SD 3.5、各种 LoRA第一时间用起来的爽快感ComfyUI 基本是绕不开的选择。下面我按一条实际部署路线来讲从选型、安装、模型下载到跑通第一张图、排查常见故障全程可操作、可复现。1. 部署前的灵魂三问硬件门槛、运行效率与工具选择很多人一上来就问我的电脑能跑吗其实答案就一句话看显存不看别的。ComfyUI 本身不挑 CPU但出图全靠 GPU所以你的显卡决定了你能玩多大体量的模型。下面的配置参考基于我现在和手头几台机器的实际体验可以对照着看显存容量SD 1.5 系列SDXL 系列FLUX 系列备注6GB流畅勉强可跑需启用低显存优化几乎不可用老显卡建议停留在 SD 1.5 生态8GB非常流畅可用速度偏慢可跑量化版/GGUF 低参数版建议开 --fp16 并控制分辨率12GB碾压级流畅fp8 版本没问题SDXL 可以随便嚯嚯16GB无所谓了满速fp8 / GGUF Q4-Q5 舒服本地 AI 的甜点区间24GB——fp16 无压力还可以同时挂 LoRA 堆栈你注意显存不是够不够的问题是能跑多快、多复杂的问题。显存不够时 ComfyUI 会走低显存模式把部分计算切到内存图照样出代价是速度掉一半以上。所以如果你只有 6GB老老实实玩 SD 1.5 的模型体验完全不差如果你真想跑 FLUX老老实实上 16GB别拿 4090 去跑 512 分辨率还抱怨速度慢。然后是第二个灵魂问题整合包还是手动部署我的建议非常明确如果你是第一次装、只想要一个能出图的工具直接用整合包如果你后续想玩自定义节点、改源码、做二次开发或者你本身就是那种必须知道每一步在干嘛的性格再选择手动部署。两者不冲突——整合包也能让你上手自定义节点手动部署也不代表更高级只是路径不同。最后说一句很多人忽视的部署前先想清楚你拿它干什么。是做头像、做壁纸、做电商图还是研究 ControlNet、做视频帧插值这个决定了你该装哪些模型、要不要装 ControlNet 节点也决定了你选整合包时要不要选预装齐全的版本。如果只是想先看看 ComfyUI 长什么样那就别再纠结了按下面整合包的路线走二十分钟就能见到界面。2. 整合包部署新手能一次跑通的最短路径2.1 为什么绝大多数人应该直接选整合包整合包的核心价值不是帮你省掉装 Python这么简单。它把三件最容易让人崩溃的事一起解决了Python 与依赖库版本冲突。ComfyUI 依赖的 torch/torchvision/transformers 版本一旦对不上启动直接红屏报错整合包已经把套件配好了。CUDA 环境问题。我们国内大多数人的装机环境是五花八门的显卡驱动版本、CUDA 版本差一个torch 就不认识 GPU。整合包一般自带便携版的 Python 和依赖尽量避开了系统环境污染。国内网络下的模型获取与节点安装。整合包往往预置了常用模型下载入口和国内加速渠道省去了大量的卡死在下载时间。你不需要理解 torch 和 CUDA 的关系整合包帮你弄好了。这类工具里最有名的就是秋叶整合包——注意我不给你下什么魔改版你在 B 站或网盘找秋叶 ComfyUI 整合包就能拿到原版。它有两个明显优点启动器里集成了一键更新和模型管理入口可以让你在图形界面里完成大多数维护操作不用动命令行。缺点是体积大解压后动辄二三十 GB下载时要留够磁盘空间而且某些懒人版预装了一堆你用不上的节点后期需要自己清理。2.2 整合包安装与启动全程拆解第一步下载压缩包建议放到磁盘剩余空间 50GB 以上的分区解压到纯英文路径比如 D:\ComfyUI_NoAI。尤其注意路径里不要带中文和空格。很多自定义节点是国外作者写的碰到中文路径会直接坏掉。别问问就是我曾经在一个叫AI工具的目录里折腾了一晚上。第二步双击启动器或运行脚本第一次启动会校验环境可能弹个命令行窗口跑一阵等它自己完成。第三步启动完成后浏览器会自动打开 http://127.0.0.1:8188 看到节点画布就说明部署成功了。如果你用的是秋叶整合包它的启动器界面会有一键启动和高级选项两个按钮前者直接拉起来后者可以让填端口、显存优化的参数。如果想改启动参数拿记事本打开启动脚本找到set COMMANDLINE_ARGS这一行把参数写进去。新人最常用的参数就这几个--port 8188指定端口默认就是 8188如果被占用就换一个。--lowvram6GB 以下显存的老卡建议加。--novram极少见集显或显存特别小的机器才用得上。--cpu无 GPU 时用来验证界面出图会很慢仅作为测试。--listen 0.0.0.0允许局域网内其他设备访问手机和平板也能控制出图。改完参数保存重新用启动脚本拉起即可。重点提醒如果你不是要天天跑超级大图别一上来就加一堆优化参数默认设置最稳。2.3 第一次启动后必做的三件事启动成功不等于完事。我建议你第一次进去后按顺序做三件事第一打开节点画布右下角或顶部的默认工作流它会自带一个加载模型 提示词 KSampler 保存图像的完整链路什么都不用改点Queue就能出一张粗糙测试图第二到启动器/网页里的模型管理看看有没有预置模型没有的话进入下一步模型下载第三截图记录你当前的版本号和启动参数后面出问题翻日志时对得上。3. 手动部署把 ComfyUI 的运行原理装进脑子里如果你用的是整合包这一章可以跳读但如果你想在遇到报错时不至于两眼一抹黑我建议你还是花二十分钟把这章看完。手动部署没有传说中那么可怕无非是四步装 Python、建虚拟环境、装 torch、克隆仓库。3.1 环境准备的三层结构很多人被手动部署吓到就是因为搞不清Python 和 PyTorch 到底什么关系。一句话解释ComfyUI 是用 Python 写的应用PyTorch 是它用来做神经网络计算的核心库CUDA 是让 PyTorch 能调用 N 卡进行并行计算的底层接口。三层关系是CUDA 驱动显卡驱动里其实已经带了→ PyTorch通过 CUDA 接口调用 GPU→ ComfyUI调用 PyTorch。安装 Python 时务必装 3.10 或 3.11 版本不要装最新的 3.13很多第三方节点还没跟上。装的时候勾选Add Python to PATH然后打开命令行输入python --version能看到版本号就算成功。接下来在任意目录创建项目的虚拟环境推荐用 venv命令是python -m venv comfyui_env虚拟环境的作用是隔离依赖你在里面装的库不会污染你系统或其他项目的 Python后面想删干净也容易把整个文件夹删了就行。3.2 PyTorch 安装最容易踩坑的一步激活虚拟环境Windows 下运行comfyui_env\Scripts\activateMac/Linux 下运行source comfyui_env/bin/activate。然后装 PyTorch。这一步的关键是不要用默认的 pip 源装 torch它会给你装 CPU 版必须去官网找对应 CUDA 版本的安装命令。我通常用的命令是pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124这个命令明确指定了 CUDA 12.4 版本的预编译包。如果装完发现 GPU 不识别大概率是 CUDA 版本没对上先运行nvidia-smi看自己显卡驱动支持的 CUDA 版本然后换成 cu121 或 cu126 再装一次。装完验证一下import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))输出True和你的显卡型号就说明 PyTorch 认识你的显卡了。3.3 克隆仓库与启动接下来把 ComfyUI 本体拉下来以及它的依赖git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt --extra-index-url https://download.pytorch.org/whl/cu124注意requirements.txt里已经列了 torch所以上面那一步如果已经装好 torch这里会自动跳过。启动命令python main.py看到控制台出现To see the GUI go to: http://127.0.0.1:8188就成功了。手动部署的好处是每一步报错都看得见logs 清晰坏处是如果你对 pip 不熟依赖冲突够你喝一壶。所以把虚拟环境这个习惯焊死脑子里永远不要在全局 Python 里装项目依赖这是从业者的基本卫生习惯。关于目录结构手动部署完你会看到 ComfyUI 下有一个 models 文件夹里面按类型分好子目录这个结构认识清楚后面模型管理就能少走很多弯路。4. 模型的来源与落位适配国内网络环境的下载方案模型下载是本地部署最容易被卡死的环节。ComfyUI 本身不携带任何出图模型装好之后等于给你一把枪但不给子弹你必须自己把 checkpoint 模型放进去。而国内环境下直接点 Hugging Face 的下载链接基本等于无限转圈这就是大量ComfyUI 教程后面会跟一句模型网盘链接的原因。4.1 模型类型速览最核心的几类模型新手必须区分清楚checkpoint底模/大模型以.safetensors结尾通常 2GB 到 7GB 不等这是出图风格和质量的基础如 SD 1.5 系列的 Realistic Vision、SDXL 系列的 Juggernaut XL、FLUX 系列等。LoRA几百 MB 的小模型外挂在底模上调整风格、人物或概念文件很小。VAE负责潜空间解码决定色彩是否正常好的 VAE 能拯救很多偏灰偏暗的图。CLIP / Text Encoders文本编码器负责把提示词变成模型能理解的向量FLUX 等新模型对文本编码器要求更高经常需要单独下载。ControlNet控制构图、姿势、深度等细节的辅助模型。Upscaler放大模型像 Real-ESRGAN、4x-UltraSharp 等。4.2 国内渠道与放置规范我的建议是按优先级分三条路第一魔搭社区ModelScope上面很多作者会同步发布主流模型下载速度快也支持断点续传遇到无法下载时点开复制下载链接放进迅雷也行第二Hugging Face 的国内镜像站 hf-mirror.com你可以在浏览器直接搜模型名然后镜像下载也可以设置环境变量HF_ENDPOINThttps://hf-mirror.com让 ComfyUI 内的自动下载走这个镜像第三各类网盘链接尤其是中文社区分享的整合包配套模型或网盘模型包其中经常带有作者整理好的目录可以直接覆盖到 models 下但要警惕下载到损坏文件解压前先看压缩包是否报错。放置位置对照表记清楚模型类型对应目录checkpoint 底模ComfyUI/models/checkpointsLoRAComfyUI/models/lorasVAEComfyUI/models/vaeCLIP / 文本编码器ComfyUI/models/clip / text_encodersControlNetComfyUI/models/controlnetUpscalerComfyUI/models/upscale_models注意很多 FLUX 模型在分享时会把多个文件拆开比如 CLIP 分开下载你必须按目录放好否则节点里找不到组件。一个区分技巧文件名里包含fp16、fp8的是精度版本gguf的是量化版新手优先选 fp8 或 GGUF Q4/Q5文件小、显存要求低、效果和满精度差得不多。4.3 关于自动下载缺失模型的正确理解ComfyUI 在加载某些工作流时节点里引用了不存在的模型界面上会提示Download Missing Model之类这是新版 ComfyUI 的联网自下载功能。它默认去 Hugging Face 拉取结果就是进度条卡在 0。处理办法很简单不要死等自动下载根据提示的模型文件名去魔搭或镜像站搜下载后手动放进对应目录刷新页面即可。所谓ComfyUI 不能下载缺失模型百分之九十是网络原因不是软件问题。5. 从空白画布到第一张图跑通文生图工作流全流程模型放好之后重刷页面。我强烈建议你别一上来就去网上复制那些超长的全网最牛工作流先在默认工作流基础上自己手动搭一条完整链路。这样你才知道每个节点在干什么后面节点报错时也能精准定位。5.1 文生图工作流的五个核心节点一条最小的文生图链路长这样CheckpointLoaderSimple加载底模它同时输出三个接口——MODEL出图主模型、CLIP文本编码器、VAE潜空间解码器。CLIPTextEncode正向提示词输入文字描述输出 Conditioning条件向量。再拖一个同样的节点当负向提示词用。EmptyLatentImage设定出图尺寸和 batch size。KSampler采样器里面一堆参数种子、步数、CFG、采样器名、调度器、降噪强度这是整个流程的心脏。VAEDecodeSaveImage把潜空间图像解码为像素图并保存。把这些节点按顺序连起来逻辑就通了模型加载器提供三个基础件 → 文本提示词编码成条件 → 潜空间有了一张空白画布 → KSampler 根据条件一步步采样 → 解码成图片 → 保存。听起来是不是不复杂5.2 手把手节点连线步骤从添加节点开始双击画布空白处弹出搜索框输入节点名或直接右键选择 Add Node。按下面的顺序连线放一个 CheckpointLoaderSimple在画布界面也能通过Default直接加载一个默认工作流获得前五个节点。正向提示词节点的text端口不需要连线直接填词就行把它的conditioning输出连到 KSampler 的positive端口。负向提示词节点连到 KSampler 的negative。EmptyLatentImage 的LATENT输出连到 KSampler 的latent_image。CheckpointLoaderSimple 的 MODEL 连到 KSampler 的 modelCLIP 连到两个 text encode 节点的 clipVAE 连到 VAEDecode。KSampler 的 LATENT 输出连到 VAEDecode 的 samplesVAEDecode 的 IMAGE 输出连到 SaveImage 的 images。最后点右上角的默认高亮按钮Run / Queue Prompt开始跑。如果不出图回看是否某条线断掉了。首图出来之后你已经不是只会点按键的人了你已经能阅读工作流图了。5.3 采样参数、种子与提示词的使用习惯很多人把 KSampler 当成玄学其实它只是几个变量组合。种子Seed控制噪声初始状态种子固定时同一组提示词每次出图都一样步数Steps越多细节越好但边际收益递减SD 1.5 一般 20~25SDXL 25~30FLUX 一些模型 20 就够了CFG 表示对提示词的服从程度SD 系常用 5~9FLUX 一般可以更小。采样器名和调度器名不用全背你只需要记住几个常用组合Euler a快且风格灵活DPM 2M Karras效果稳定UniPC也很多人喜欢。新手我建议固定用 Euler a 配 normal 调度器先把出图稳定做好再去换采样器玩花样。关于提示词ComfyUI 和 WebUI 的语法有差异它天然支持自然语言描述不需要一定要带一堆 tag。写的时候建议把主体、环境、风格、质量词四层结构写上可以用逗号分隔。例如masterpiece, best quality, 1girl, city street at night, neon lights, cinematic lighting, photorealistic。负向提示词重点写不想出现的东西比如blurry, lowres, bad anatomy, watermark。5.4 从别人的工作流开始学习的正确姿势网上大量分享的 .json 工作流文件在 ComfyUI 页面直接把 json 拖入浏览器窗口即可加载。很多人拖进去后报Missing Node Types翻译过来就是工作流里用到的自定义节点你没装。这时有两个选择一是用 ComfyUI-Manager整合包一般自带点Install Missing Custom Nodes它会尝试自动安装二是去下载对应的自定义节点压缩包手动解压到ComfyUI/custom_nodes目录。前者方便但国内网络经常失败后者麻烦但成功率高。加载别人的工作流还有一个坑它引用的模型你本地没有解决方法和第四章一样搜索后放入对目录。6. 本地部署的九成疑难杂症都在这张排查清单里说实话很多人部署失败不是因为硬件不行而是因为遇到一两个报错就停下不干了。这一章我把我自己碰到过、以及在群里看到新手反复问的问题做个清单化总结你以后遇到报错可以直接对号入座。6.1 模型加载失败与缺失模型的正确处理症状一加载时提示某模型文件不存在或界面大段红字。八成是模型没放入对应目录先检查目录路径和文件名。ComfyUI 对文件名的大小写不敏感但不会破解路径所以一定要看节点里模型选择器上显示的路径和实际存放目录是否一致。症状二加载到 99% 卡死或直接退出常见原因是内存不够或模型文件损坏。内存不够时可以加大系统虚拟内存Windows 里的页面文件文件损坏的验证方法是重新下载或用哈希值校验。症状三显示了模型名但出图时一片糊或噪点这通常是模型文件本身是 fp16 量化而节点选了 fp32或者底模和 VAE 不适配换成配套 VAE 即可。6.2 CLIP 系列报错文本编码器没配对CLIP相关的报错非常高频尤其是跑 SDXL 或 FLUX 时。我把这一类统一称为CLIP 询问机问题——本质上就是 ComfyUI 询问你 CLIP 呢我上次在群里见到一个新人贴出大段报错核心一句就是CLIPTextEncode node: CLIP data not found。新手最容易犯的错是把 checkpoints 里的底模拖给 CLIP 端口或者用 SD1.5 的 CLIP 去驱动 SDXL 模型。解决办法如果是 SDXLCLIP 节点里必须选带clip_l和clip_g两个编码器的组合很多整合包自带的是sdxl/base_vae文件如果是 FLUX你需要单独下载clip_l.safetensors和t5xxl_fp8_e4m3fn.safetensors分别放进 text_encoders 和 clip 目录里对应的文件位置。记住一句话底模什么版本CLIP 就得什么版本跨代硬插大概率全屏报错。6.3 显存溢出 OOM 与全黑/全灰图出图时如果控制台直接抛CUDA out of memory说明显存被撑爆了。处理顺序是降低分辨率512→448→384、调低 batch size、换量化模型、启用--lowvram模式、最后才考虑升级硬件。千万别一上来就买显卡因为 50% 的情况是参数设置问题。出图全黑常见的两个原因一是 KSampler 的 denoise 调到了 1.0 以下但 latent 没有对应残差或者输入图本身黑场有问题二是 VAE 缺失导致解码结果异常。出图偏灰偏暗则是典型的 VAE 问题去下载一个对应底模的 VAE 放好或者把 VAE 直接内嵌进底模出图颜色立马正常。6.4 自定义节点安装失败与 Git 拉取超时想装新功能时大概率会去 GitHub 上用git clone拉自定义节点。国内网络下这个操作经常超时或中断我常用的几个替代方案去 GitHub 网页端该仓库页面点右上角 Code → Download ZIP下载后解压到custom_nodes目录。在 Hugging Face 镜像或中文社区找打包好的节点包直接覆盖。如果用的是 ComfyUI-Manager它失败时输出有 URL把 URL 复制到浏览器下载 zip 再手动解压。把自定义节点解压后一定记得重启 ComfyUI节点类缓存只有重启才刷新。关于那些某项功能装完但界面上没显示的问题九成也是因为没重启。6.5 整合包更新与升级策略整合包的一键更新有时候也翻车。我发现最稳的策略是更新前先备份custom_nodes和models两个目录更新后如果某些自定义节点失效多半是依赖库冲突可以用 ComfyUI-Manager 的 Update All 再刷一遍或者回滚到旧版本。启动脚本里那些自定义参数更新后可能被重置要重新填上去。另外不要在整合包更新后立刻升级 PyTorch 到最新版ComfyUI 兼容速度没有你想象中那么快挑一个 star 和 issues 都健康的稳定版本能用就不折腾。如果后面你还想把本地大语言模型比如通过 Ollama 部署的 DeepSeek接进 ComfyUI或者给 ComfyUI 挂上一些视频模型工作流其实走的都是同一套模型下载 节点安装 重启的循环。那时候你会发现现在这套部署经验完全够用你已经不需要再去搜索什么本地部署教程大全了。最后再分享一个小技巧出图过程中经常在浏览器里点Queue但忘了看控制台输出。记住控制台才是 ComfyUI 真正的千里眼几乎每个报错都会有具体英文描述你把它复制到搜索引擎里后面加一个 ComfyUI基本都能找到答案。这就是不求人的最后一步——学会把报错当作自己的调试入口。