熬过AI绘图工具的入门期之后，我基本固定在ComfyUI上走完了从下载模型到部署工作流的所有环节。折腾过几轮整合包，最终还是转向了Anaconda环境下的源码安装——这个方案干净、可控、升级方便，出了问题也知道去哪里修。如果你也想从零部署一套自己的ComfyUI，用源码方式装好它，这篇指南应该能帮你省掉不少弯路。需要先说清楚的是：这不是一篇讲工作流节点怎么连的教程，而是把你从一台“裸机”带到“浏览器能打开ComfyUI界面、本地能出图”这一步。整个过程全部在Windows系统上演示（Linux和macOS差别不大，命令稍有不同），涉及的坑基本都是我实际踩过的。1. 为什么绕开整合包，选择源码安装1.1 ComfyUI到底是一个什么东西ComfyUI本质上是一套基于节点的图像生成工作流引擎。它不像WebUI那样把所有功能堆在一个页面里，而是让你把模型加载节点、正向/反向提示词节点、采样器节点、VAE解码节点像拼积木一样连起来。这种设计带来的好处非常直接：显存占用可控、流程透明、每个环节的输出都能单独预览。这套系统依赖Python运行，核心是通过PyTorch驱动GPU做张量运算。模型文件本身不放在项目目录里，而是放在models下的checkpoints、loras、vae这些子文件夹里。理解了这个目录结构，后面配置起来会顺手很多。1.2 源码安装相比整合包赢在哪里整合包（一键包）确实省事，解压就能用。但它的短板也很明显：Python环境是绑死的、依赖版本是定死的、你想装一个新插件可能直接装不上，出了问题只能删掉重来。源码安装的思路是：你自己创建一个干净的Python虚拟环境，把ComfyUI的代码clone下来，再用pip把依赖装进去。整个过程每一步都可见，出问题知道是哪里挂的，升级也只需要git pull一把。说白了，整合包是一辆组装好的车，源码安装是给你一套零件和图纸，装一遍之后你对这辆车的结构就熟了。1.3 Anaconda在这里面扮演什么角色Anaconda的核心价值是环境管理。ComfyUI对Python版本和PyTorch版本都有要求，不同项目之间还可能互相冲突。用conda创建独立环境，相当于给每个项目分配一间单独的隔音房，互不干扰。另一个原因是PyTorch安装时的CUDA版本选择。显卡驱动支持的最高CUDA版本决定了你能装哪个cu版本，而conda环境可以让你针对不同项目切换不同的PyTorch环境，不用因为某个项目需要老版本就动系统级环境。提示：如果你不想装Anaconda全家桶，也可以用Miniconda，轻量得多。后面所有conda命令两种工具都能用。2. 从安装Anaconda到创建干净虚拟环境2.1 Anaconda安装与源配置下载Anaconda安装包后一路默认即可。但有一个关键选项：安装过程中会询问是否将conda加入PATH，建议勾选，省得后面每次都要手动找路径。装完之后第一件事是配国内镜像源。conda默认源在境外，下载速度很难看，容易让人以为卡死了。修改用户目录下的.condarc文件，写入清华源或阿里源地址。这一步不做，后面创建环境时下载Python解释器会非常煎熬。配置完成后，在命令行里输入：conda info能看到当前环境信息和源地址，确认源已经生效。2.2 创建ComfyUI专用虚拟环境以Python 3.11为例（这是当前兼容性比较好的版本），执行：conda create -n comfyui python=3.11这里的comfyui是环境名，你可以随意起。创建过程中会提示安装哪些包，输入y确认。为什么要单独指定Python版本？因为ComfyUI的某些依赖对Python版本有要求。3.10和3.11目前都挺稳，3.12以下版本的某些第三方节点可能还没适配，建议先用3.11。创建好之后激活环境：conda activate comfyui命令行前面出现(comfyui)字样就说明已经进入环境。后续所有安装操作都要在这个状态下进行。2.3 环境管理的基本操作几个常用的环境命令先记住：conda env list # 查看所有环境 conda deactivate # 退出当前环境 conda env remove -n comfyui # 删除环境 conda env export > environment.yaml # 导出环境配置最后一个命令特别有用。你配好一个稳定的环境之后，导出一份yaml文件，换机器的时候直接conda env create -f environment.yaml就能恢复。相当于给环境做了一个快照存档。3. 源码获取与核心依赖安装3.1 拉取ComfyUI源码激活环境后，找一个放项目的目录（比如D:\AI），执行：git clone https://github.com/comfyanonymous/ComfyUI.git如果你所在网络环境下GitHub访问不畅，clone速度很慢，可以把地址换成镜像站。这个细节处理完，项目代码就落到本地了。进入项目目录：cd ComfyUI目录里面能看到main.py、requirements.txt、models文件夹等。main.py就是启动入口，requirements.txt列了所有Python依赖。3.2 PyTorch安装是成败关键ComfyUI的核心运算完全依赖PyTorch，这一步最容易出错。安装PyTorch之前，先确认你的显卡支持哪个CUDA版本。查看方式：在命令行执行nvidia-smi，看右上角的CUDA Version。这个数字代表你的驱动最高支持到多少，比如显示12.x，就代表可以装CUDA 12.x对应的PyTorch版本。打开PyTorch官网的安装向导页，选择你的系统、包管理工具（pip）、Python版本、CUDA版本，它会生成一行安装命令。例如：pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121这里cu121代表CUDA 12.1，下载的是预编译好的二进制包，包含GPU支持，安装包比较大，耐心等它跑完。如果你没有独立显卡（只有核显），或者显存实在太小，可以先装CPU版：pip install torch torchvision --index-url https://download.pytorch.org/whl/cpuCPU版也能跑，就是速度会让人崩溃，出个512分辨率的图可能要等上好几分钟。建议还是想办法搞张显卡，N卡优先。注意：安装时别用新版Python自带的pip直接装默认版本的torch，默认索引源可能拉到CPU版，GPU等于白装。务必用官网生成的那条命令。装完之后，验证一下：python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"如果输出True，说明GPU版本的PyTorch装好了，后面ComfyUI就能调用显卡。3.3 安装项目依赖回到ComfyUI项目目录，安装requirements.txt里的依赖：pip install -r requirements.txt这一步会把ComfyUI运行所需的其他组件一并装好，比如transformers、safetensors、opencv等。中途可能会因为网络问题某个包下载失败，重新执行一次即可，pip会跳过已经装好的。如果你希望后面方便安装各种自定义节点，还建议顺手装上：pip install gitpython很多节点管理器会用到gitpython来拉取更新。4. 第一次启动与基础验证4.1 启动命令与常用参数依赖都装完之后，运行：python main.py首次启动会加载一些配置，看到类似Starting server的日志，然后提示访问127.0.0.1:8188。打开浏览器，如果能看到一个深色界面，左边是节点列表，中间是画布，恭喜你，ComfyUI本体已经跑起来了。常用启动参数先记住几个：python main.py --listen 0.0.0.0 --port 8188--listen 0.0.0.0表示允许局域网内其他设备访问，配合局域网IP就能在平板或另一台电脑上操作。--port可以改端口，默认8188够用，不冲突就不用改。如果你想提升生成速度，可以加：python main.py --force-fp16这会让部分模型强制使用半精度计算，显存占用更小，速度更快，代价是对显卡有要求。老卡如果出图出现黑图、花屏，去掉这个参数再试。4.2 放模型文件，完成第一次出图内置的默认工作流会加载一个SD1.5的checkpoint模型。你需要把模型文件放进ComfyUI/models/checkpoints目录。市面上常见的SD1.5模型（比如各种融合版、二次元/写实底模）下载后放入即可。模型文件一般是4GB左右或2GB左右的safetensors格式。放好之后，回到浏览器界面，点击界面上的加载默认按钮，然后把节点里的模型选择器切到你刚放进去的模型。填入正向提示词、负向提示词，点击右侧的Queue按钮。此时命令行会滚动出一堆张量运算日志，等待几十秒，界面上会显示出生成的图。提示：首次生成时模型要加载进显存，所以第一张图通常会比后面的慢很多。别急，这是正常的。4.3 目录结构与模型类型ComfyUI/models下面按类型分了多个子目录，放错位置会导致节点找不到文件。常见对应关系：checkpoints：完整模型（大模型）loras：LoRA插件模型vae：VAE解码器文件embeddings：文本嵌入/词向量controlnet：ControlNet辅助模型如果某个工作流报模型文件找不到，先检查是不是放错了目录，或者文件名是否包含中文字符。ComfyUI对中文文件名支持不太好，经常会出现加载失败，建议所有模型文件都改成英文名。5. 进阶配置：让ComfyUI用起来更顺手5.1 模型目录整合，避免磁盘爆炸玩久了你就会发现，模型文件动辄几个GB，如果每个项目都复制一份，硬盘很快就吃不消了。更合理的做法是把模型放在一个公共目录里，然后用符号链接把项目内的models文件夹映射过去。具体操作（Windows下）在命令行执行：mklink /D D:\AI\ComfyUI\models\checkpoints D:\AI\shared_models\checkpoints这样ComfyUI读取checkpoints时会直接读取共享目录里的文件，不用复制。其他模型类型同理，可以逐个映射。macOS/Linux下用ln -s。这个技巧能极大缓解存储压力，尤其是你同时装了多个AI绘图工具、想共用底模和LoRA的时候。5.2 安装ComfyUI-Manager插件ComfyUI在0.3.0及以上版本已经内置了Manager，但如果你用的是旧代码，可以通过git安装：cd custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启ComfyUI，界面上会多出Manager按钮。这个插件帮你管理自定义节点的安装、更新、缺失节点修复。以后从网上找到某个工作流文件、打开发现一堆红色节点，点一下Manager里的Install Missing Custom Nodes就能自动处理，省掉手工找插件的麻烦。自定义节点的安装目录是ComfyUI/custom_nodes，各种第三方节点都放这里。手动装的话就是clone到该目录然后重载。多数情况下Managera能搞定，不需要手动操作。5.3 局域网共享与远程访问前面提到的--listen参数可以让其他设备访问本机ComfyUI。如果你需要在外网访问，可以考虑内网穿透工具（具体不做推荐）。需要注意的是，ComfyUI默认没有任何认证机制，暴露到公网等于把显卡权限送给别人，强烈建议只在可信局域网内开启监听。另外，你可以在电脑运行中也开启：python main.py --listen 0.0.0.0 --port 8188 --enable-cors-header--enable-cors-header是给某些浏览器插件调用API时用的，不需要可以不加。6. 常见问题与排错速查6.1 启动时提示No module named 'torch'原因很明显：PyTorch根本没装上，或者装错了环境。检查当前环境是不是comfyui（命令行前缀有没有环境名），然后在当前环境下重新执行torch的pip安装命令。6.2 浏览器打开空白或一直在加载经常出现在首次启动后。先把命令行日志看一遍，一般会提示端口被占用、config文件有误等。端口被占用时换一个端口：python main.py --port 8189如果日志显示加载模型失败，多半是checkpoints目录没有模型文件或模型文件名不合法。确认一下文件位置和名称。6.3 出图时提示CUDA out of memory显存不够用了。解决办法有几种：减小生成分辨率，先从512x512开始降低batch size（批处理数量）添加--lowvram参数，强制使用低显存模式换用轻量模型如果你用的是4GB显存的卡，建议把分辨率控制在512级别，然后用SD1.5小模型。SDXL大模型在8GB显存以下基本跑不动（不是不能跑，是慢得没法用）。6.4 模型文件下载后加载失败有一种常见情况是下载文件不完整。下大模型建议用支持断点续传的工具，或者看文件大小是否与官方的完全一致（通常有MD5校验信息）。另外，有些模型是diffusers格式的文件夹，不是单个safetensors文件，ComfyUI默认不认这种格式，需要转换或拷贝对应的safetensors版本。6.5 依赖版本冲突怎么排查ComfyUI更新后偶尔会出现某个依赖版本不兼容，表现是启动时import报错。推荐两个办法：把ComfyUI更新到最新版后重装requirements用Anaconda环境导出配置，重装一个干净环境再恢复不建议在报错后盲目pip install某个特定版本，容易引发新的冲突。判断依据是看它的issue页面有没有人反馈同样问题，等官方或社区给出兼容版本。最后再分享一点我的实操习惯环境和项目稳定下来后，建议养成几个习惯：每次更新ComfyUI之前先备份custom_nodes里自己改过配置的节点；定期导出环境配置（conda env export）；模型文件统一用英文命名并记录在一个文本清单里。我最开始也是从整合包入手的，后来因为想装一个第三方节点装不进去，被迫转向源码安装。折腾一次之后彻底回不去了——依赖自己装、环境自己建、启动参数自己定，出了问题能准确说出是哪一步坏了。ComfyUI的玩法很大，工作流只是冰山一角。等你把这套环境弄明白了，再去看各种进阶教程，会发现思路清晰很多。这次部署过程中我自己比较满意的处理是模型目录的符号链接方案，它让我在多套工具之间共享了同一个底模库，磁盘占用直接少了一半。如果你也在为硬盘空间发愁，这个技巧值得一试。
熬过AI绘图工具的入门期之后，我基本固定在ComfyUI上走完了从下载模型到部署工作流的所有环节。折腾过几轮整合包，最终还是转向了Anaconda环境下的源码安装——这个方案干净、可控、升级方便，出了问题也知道去哪里修。如果你也想从零部署一套自己的ComfyUI，用源码方式装好它，这篇指南应该能帮你省掉不少弯路。需要先说清楚的是：这不是一篇讲工作流节点怎么连的教程，而是把你从一台“裸机”带到“浏览器能打开ComfyUI界面、本地能出图”这一步。整个过程全部在Windows系统上演示（Linux和macOS差别不大，命令稍有不同），涉及的坑基本都是我实际踩过的。1. 为什么绕开整合包，选择源码安装1.1 ComfyUI到底是一个什么东西ComfyUI本质上是一套基于节点的图像生成工作流引擎。它不像WebUI那样把所有功能堆在一个页面里，而是让你把模型加载节点、正向/反向提示词节点、采样器节点、VAE解码节点像拼积木一样连起来。这种设计带来的好处非常直接：显存占用可控、流程透明、每个环节的输出都能单独预览。这套系统依赖Python运行，核心是通过PyTorch驱动GPU做张量运算。模型文件本身不放在项目目录里，而是放在models下的checkpoints、loras、vae这些子文件夹里。理解了这个目录结构，后面配置起来会顺手很多。1.2 源码安装相比整合包赢在哪里整合包（一键包）确实省事，解压就能用。但它的短板也很明显：Python环境是绑死的、依赖版本是定死的、你想装一个新插件可能直接装不上，出了问题只能删掉重来。源码安装的思路是：你自己创建一个干净的Python虚拟环境，把ComfyUI的代码clone下来，再用pip把依赖装进去。整个过程每一步都可见，出问题知道是哪里挂的，升级也只需要git pull一把。说白了，整合包是一辆组装好的车，源码安装是给你一套零件和图纸，装一遍之后你对这辆车的结构就熟了。1.3 Anaconda在这里面扮演什么角色Anaconda的核心价值是环境管理。ComfyUI对Python版本和PyTorch版本都有要求，不同项目之间还可能互相冲突。用conda创建独立环境，相当于给每个项目分配一间单独的隔音房，互不干扰。另一个原因是PyTorch安装时的CUDA版本选择。显卡驱动支持的最高CUDA版本决定了你能装哪个cu版本，而conda环境可以让你针对不同项目切换不同的PyTorch环境，不用因为某个项目需要老版本就动系统级环境。提示：如果你不想装Anaconda全家桶，也可以用Miniconda，轻量得多。后面所有conda命令两种工具都能用。2. 从安装Anaconda到创建干净虚拟环境2.1 Anaconda安装与源配置下载Anaconda安装包后一路默认即可。但有一个关键选项：安装过程中会询问是否将conda加入PATH，建议勾选，省得后面每次都要手动找路径。装完之后第一件事是配国内镜像源。conda默认源在境外，下载速度很难看，容易让人以为卡死了。修改用户目录下的.condarc文件，写入清华源或阿里源地址。这一步不做，后面创建环境时下载Python解释器会非常煎熬。配置完成后，在命令行里输入：conda info能看到当前环境信息和源地址，确认源已经生效。2.2 创建ComfyUI专用虚拟环境以Python 3.11为例（这是当前兼容性比较好的版本），执行：conda create -n comfyui python=3.11这里的comfyui是环境名，你可以随意起。创建过程中会提示安装哪些包，输入y确认。为什么要单独指定Python版本？因为ComfyUI的某些依赖对Python版本有要求。3.10和3.11目前都挺稳，3.12以下版本的某些第三方节点可能还没适配，建议先用3.11。创建好之后激活环境：conda activate comfyui命令行前面出现(comfyui)字样就说明已经进入环境。后续所有安装操作都要在这个状态下进行。2.3 环境管理的基本操作几个常用的环境命令先记住：conda env list # 查看所有环境 conda deactivate # 退出当前环境 conda env remove -n comfyui # 删除环境 conda env export > environment.yaml # 导出环境配置最后一个命令特别有用。你配好一个稳定的环境之后，导出一份yaml文件，换机器的时候直接conda env create -f environment.yaml就能恢复。相当于给环境做了一个快照存档。3. 源码获取与核心依赖安装3.1 拉取ComfyUI源码激活环境后，找一个放项目的目录（比如D:\AI），执行：git clone https://github.com/comfyanonymous/ComfyUI.git如果你所在网络环境下GitHub访问不畅，clone速度很慢，可以把地址换成镜像站。这个细节处理完，项目代码就落到本地了。进入项目目录：cd ComfyUI目录里面能看到main.py、requirements.txt、models文件夹等。main.py就是启动入口，requirements.txt列了所有Python依赖。3.2 PyTorch安装是成败关键ComfyUI的核心运算完全依赖PyTorch，这一步最容易出错。安装PyTorch之前，先确认你的显卡支持哪个CUDA版本。查看方式：在命令行执行nvidia-smi，看右上角的CUDA Version。这个数字代表你的驱动最高支持到多少，比如显示12.x，就代表可以装CUDA 12.x对应的PyTorch版本。打开PyTorch官网的安装向导页，选择你的系统、包管理工具（pip）、Python版本、CUDA版本，它会生成一行安装命令。例如：pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121这里cu121代表CUDA 12.1，下载的是预编译好的二进制包，包含GPU支持，安装包比较大，耐心等它跑完。如果你没有独立显卡（只有核显），或者显存实在太小，可以先装CPU版：pip install torch torchvision --index-url https://download.pytorch.org/whl/cpuCPU版也能跑，就是速度会让人崩溃，出个512分辨率的图可能要等上好几分钟。建议还是想办法搞张显卡，N卡优先。注意：安装时别用新版Python自带的pip直接装默认版本的torch，默认索引源可能拉到CPU版，GPU等于白装。务必用官网生成的那条命令。装完之后，验证一下：python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"如果输出True，说明GPU版本的PyTorch装好了，后面ComfyUI就能调用显卡。3.3 安装项目依赖回到ComfyUI项目目录，安装requirements.txt里的依赖：pip install -r requirements.txt这一步会把ComfyUI运行所需的其他组件一并装好，比如transformers、safetensors、opencv等。中途可能会因为网络问题某个包下载失败，重新执行一次即可，pip会跳过已经装好的。如果你希望后面方便安装各种自定义节点，还建议顺手装上：pip install gitpython很多节点管理器会用到gitpython来拉取更新。4. 第一次启动与基础验证4.1 启动命令与常用参数依赖都装完之后，运行：python main.py首次启动会加载一些配置，看到类似Starting server的日志，然后提示访问127.0.0.1:8188。打开浏览器，如果能看到一个深色界面，左边是节点列表，中间是画布，恭喜你，ComfyUI本体已经跑起来了。常用启动参数先记住几个：python main.py --listen 0.0.0.0 --port 8188--listen 0.0.0.0表示允许局域网内其他设备访问，配合局域网IP就能在平板或另一台电脑上操作。--port可以改端口，默认8188够用，不冲突就不用改。如果你想提升生成速度，可以加：python main.py --force-fp16这会让部分模型强制使用半精度计算，显存占用更小，速度更快，代价是对显卡有要求。老卡如果出图出现黑图、花屏，去掉这个参数再试。4.2 放模型文件，完成第一次出图内置的默认工作流会加载一个SD1.5的checkpoint模型。你需要把模型文件放进ComfyUI/models/checkpoints目录。市面上常见的SD1.5模型（比如各种融合版、二次元/写实底模）下载后放入即可。模型文件一般是4GB左右或2GB左右的safetensors格式。放好之后，回到浏览器界面，点击界面上的加载默认按钮，然后把节点里的模型选择器切到你刚放进去的模型。填入正向提示词、负向提示词，点击右侧的Queue按钮。此时命令行会滚动出一堆张量运算日志，等待几十秒，界面上会显示出生成的图。提示：首次生成时模型要加载进显存，所以第一张图通常会比后面的慢很多。别急，这是正常的。4.3 目录结构与模型类型ComfyUI/models下面按类型分了多个子目录，放错位置会导致节点找不到文件。常见对应关系：checkpoints：完整模型（大模型）loras：LoRA插件模型vae：VAE解码器文件embeddings：文本嵌入/词向量controlnet：ControlNet辅助模型如果某个工作流报模型文件找不到，先检查是不是放错了目录，或者文件名是否包含中文字符。ComfyUI对中文文件名支持不太好，经常会出现加载失败，建议所有模型文件都改成英文名。5. 进阶配置：让ComfyUI用起来更顺手5.1 模型目录整合，避免磁盘爆炸玩久了你就会发现，模型文件动辄几个GB，如果每个项目都复制一份，硬盘很快就吃不消了。更合理的做法是把模型放在一个公共目录里，然后用符号链接把项目内的models文件夹映射过去。具体操作（Windows下）在命令行执行：mklink /D D:\AI\ComfyUI\models\checkpoints D:\AI\shared_models\checkpoints这样ComfyUI读取checkpoints时会直接读取共享目录里的文件，不用复制。其他模型类型同理，可以逐个映射。macOS/Linux下用ln -s。这个技巧能极大缓解存储压力，尤其是你同时装了多个AI绘图工具、想共用底模和LoRA的时候。5.2 安装ComfyUI-Manager插件ComfyUI在0.3.0及以上版本已经内置了Manager，但如果你用的是旧代码，可以通过git安装：cd custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启ComfyUI，界面上会多出Manager按钮。这个插件帮你管理自定义节点的安装、更新、缺失节点修复。以后从网上找到某个工作流文件、打开发现一堆红色节点，点一下Manager里的Install Missing Custom Nodes就能自动处理，省掉手工找插件的麻烦。自定义节点的安装目录是ComfyUI/custom_nodes，各种第三方节点都放这里。手动装的话就是clone到该目录然后重载。多数情况下Managera能搞定，不需要手动操作。5.3 局域网共享与远程访问前面提到的--listen参数可以让其他设备访问本机ComfyUI。如果你需要在外网访问，可以考虑内网穿透工具（具体不做推荐）。需要注意的是，ComfyUI默认没有任何认证机制，暴露到公网等于把显卡权限送给别人，强烈建议只在可信局域网内开启监听。另外，你可以在电脑运行中也开启：python main.py --listen 0.0.0.0 --port 8188 --enable-cors-header--enable-cors-header是给某些浏览器插件调用API时用的，不需要可以不加。6. 常见问题与排错速查6.1 启动时提示No module named 'torch'原因很明显：PyTorch根本没装上，或者装错了环境。检查当前环境是不是comfyui（命令行前缀有没有环境名），然后在当前环境下重新执行torch的pip安装命令。6.2 浏览器打开空白或一直在加载经常出现在首次启动后。先把命令行日志看一遍，一般会提示端口被占用、config文件有误等。端口被占用时换一个端口：python main.py --port 8189如果日志显示加载模型失败，多半是checkpoints目录没有模型文件或模型文件名不合法。确认一下文件位置和名称。6.3 出图时提示CUDA out of memory显存不够用了。解决办法有几种：减小生成分辨率，先从512x512开始降低batch size（批处理数量）添加--lowvram参数，强制使用低显存模式换用轻量模型如果你用的是4GB显存的卡，建议把分辨率控制在512级别，然后用SD1.5小模型。SDXL大模型在8GB显存以下基本跑不动（不是不能跑，是慢得没法用）。6.4 模型文件下载后加载失败有一种常见情况是下载文件不完整。下大模型建议用支持断点续传的工具，或者看文件大小是否与官方的完全一致（通常有MD5校验信息）。另外，有些模型是diffusers格式的文件夹，不是单个safetensors文件，ComfyUI默认不认这种格式，需要转换或拷贝对应的safetensors版本。6.5 依赖版本冲突怎么排查ComfyUI更新后偶尔会出现某个依赖版本不兼容，表现是启动时import报错。推荐两个办法：把ComfyUI更新到最新版后重装requirements用Anaconda环境导出配置，重装一个干净环境再恢复不建议在报错后盲目pip install某个特定版本，容易引发新的冲突。判断依据是看它的issue页面有没有人反馈同样问题，等官方或社区给出兼容版本。最后再分享一点我的实操习惯环境和项目稳定下来后，建议养成几个习惯：每次更新ComfyUI之前先备份custom_nodes里自己改过配置的节点；定期导出环境配置（conda env export）；模型文件统一用英文命名并记录在一个文本清单里。我最开始也是从整合包入手的，后来因为想装一个第三方节点装不进去，被迫转向源码安装。折腾一次之后彻底回不去了——依赖自己装、环境自己建、启动参数自己定，出了问题能准确说出是哪一步坏了。ComfyUI的玩法很大，工作流只是冰山一角。等你把这套环境弄明白了，再去看各种进阶教程，会发现思路清晰很多。这次部署过程中我自己比较满意的处理是模型目录的符号链接方案，它让我在多套工具之间共享了同一个底模库，磁盘占用直接少了一半。如果你也在为硬盘空间发愁，这个技巧值得一试。