前阵子一个朋友让我帮他在线搭一套ComfyUI原因是本地那台3060跑一张1024的图要三分多钟排队等出图等到心累。这其实是非常典型的场景想体验最新的大模型、想多开几个任务、不想为了跑图把整机占满把ComfyUI搬到云端就成了绕不开的路。这篇东西就围绕云端部署ComfyUI这件事展开目标是从云GPU怎么选、环境怎么搭、工作流怎么跑通一条线讲清楚适合那些有本地使用经验但没碰过云服务器的人也适合第一次接触ComfyUI、直接想上云端开跑的玩家。我自己的经验是云端部署ComfyUI并不复杂真正的门槛在于两件事——第一GPU选型很多人在这一步就选错了要么显存不够要么预算超支第二环境安装和模型下载这部分踩坑最多。只要跨过这两关后面跑工作流就顺了。下面我按实际操作顺序把我从选机到跑通整条工作流的全过程拆开讲。1. 为什么ComfyUI要上云先把这笔账算清楚1.1 本地跑图的三个真实痛点先说说本地机器跑ComfyUI的尴尬。我自己有一台配置还不错的台式机显卡是RTX 3060 12GB平时跑SD1.5的小图没问题但一上SDXL或者尝试一些新出的视频模型立刻原形毕露显存爆掉、等待时间翻倍、电脑风扇响得像飞机起飞。最难受的是跑图的时候整个机器都用不了开个浏览器都卡更别说一边跑图一边做别的了。第二个痛点是环境污染。本地装ComfyUI必然要装Python、PyTorch、各种依赖还要配CUDA。但你不可能只有ComfyUI一个AI工具今天装个语音合成明天装个本地大模型后天再来一套别的软件Python包冲突、CUDA版本不对、显存被某个后台进程占了这类问题能把人搞疯。我认识不少朋友最后选择“重装系统再也不用AI”来解决问题可见本地环境的维护成本有多高。第三个痛点是协作和迁移问题。本地的工作流、模型、插件都绑在那台机器上换个电脑还得重新折腾一遍。如果你有同事一起调相同的工作流或者想把自己搭好的流程展示给客户看本地方案几乎没法用。云端就不一样了环境是打包好的租赁时选对镜像几分钟就能恢复到一个可用状态这对频繁换机或者多人协作者来说太关键了。1.2 云端部署的三种主流做法怎么选聊完痛点再看方案。目前把ComfyUI放到云上主流做法就三种一是租有GPU的云服务器自己装二是用带预置环境的一体化云GPU平台三是直接用别人搭好的在线ComfyUI服务。第一种是自由度最高的相当于你拿到一台裸机系统、驱动、Python、ComfyUI全自己装。好处是环境完全可控想装什么插件都行适合长期使用或者自研工作流的人。缺点是安装过程需要一点Linux基础遇到问题得自己排查。第二种是很多国内云平台常用的方式平台提供“PyTorch镜像”或者“深度学习镜像”里面已经装好了Python和PyTorch你只需要把ComfyUI源码拉下来就能用。这个方案对我这种“会一点Linux但不想深究”的人来说最合适既保留了自由度又省去了最麻烦的驱动和环境配置环节。这篇文章主要按这个路径来写。第三种适合完全不想折腾、只想出图的人。打开网页、挑模型、点点就能生成好处是零门槛坏处是很多功能被阉割了不能自定义安装插件工作流的导入导出也经常受限。如果你只是想临时试试ComfyUI长什么样可以考虑但想认认真真搭建自己的流程这条路走不远。提示如果是长期跑图我的观点是别用在线服务还是老老实实租一台带GPU的云服务器。成本上算下来其实差不多但可玩性和可控性完全不是一个级别。2. 选GPU先看显存把预算花在刀刃上2.1 显存决定上限不同任务要多少显存很多人选GPU的时候一上来就盯“算力”盯着显卡型号和浮点运算量实际上对ComfyUI来说显存才是第一个要考虑的硬指标。你可以把显存理解成工作台的大小工作台越大能同时铺开的东西就越多。跑图的时候模型权重、注意力计算、中间缓存图都要占显存显存一不够程序就会报OOMOut of Memory图根本出不来。我按常见的使用场景整理了一个表基本可以覆盖绝大多数人的需求显存大小适合任务常见卡型8GBSD1.5小尺寸出图、简单LoRARTX 3060 Ti、RTX 3070、RTX 406012GBSD1.5高分辨率、SDXL小图、多LoRA叠加RTX 3060、RTX 407016GBSDXL正常运行、ControlNet全流程RTX 4080、RTX 4070 Ti Super24GBSDXL高分辨率、微调训练、视频模型RTX 3090、RTX 409040GB大模型训练、动画批量渲染、超大分辨率A100、H100实际情况会有浮动但方向不会变你要主玩SDXL建议至少16GB显存你要跑视频生成模型24GB是底线。显存这东西宁可买大不买小因为ComfyUI的工作流叠加起来模型一个占3GVAE一个占1G再来几个控制模型和LoRA8GB显存瞬间见底。我见过太多人图便宜选了个8GB的机器最后跑不了想跑的模型只能再花时间迁移数据换机器得不偿失。2.2 实例类型与计费怎么算才是真的便宜选完GPU型号接下来要面对计费问题。实际使用中你会发现同一种显卡在不同平台上价格差异非常大这背后的原因是计费模式不同。目前主流云GPU平台的计费方式有两种按量付费和包月/包周。按量付费适合短期突击使用比如你要批量出一批图一次跑几个小时按小时计费很灵活跑完就关机不花钱。包月适合长期跑图的重度用户日均使用时长超过四五个小时就划算了。除了计费模式还有一个容易踩的坑是“可视化实例”和“计算实例”的区别。有些平台的GPU实例分两种普通计算实例不带图形界面你需要通过SSH连接操口桌面可视化实例则提供Windows或者Linux图形桌面可以像远程操作本地电脑一样操作。可视化实例通常更贵而且对于ComfyUI来说没有必要——ComfyUI本身就有Web界面浏览器打开就能操作完全不依赖图形桌面。我第一次用云GPU的时候就选了个带Windows桌面环境的实例贵了不少后来才反应过来这是个冤枉钱。我的建议是找支持“自定义镜像”的平台选Python环境已经装好的深度学习镜像然后用SSH终端连接操作浏览器访问ComfyUI的Web界面。这样既省钱体验又好。2.3 一台能跑得舒服的云主机长什么样结合我自己的使用经验和常见的预算范围给出一套参考配置。如果你是第一次跑云端ComfyUI可以考虑这样选GPURTX 3090 或 RTX 4090显存24GB内存32GB配24G显存时内存建议别低于16G硬盘系统盘至少30GB数据盘50GB以上模型文件很大系统镜像Ubuntu 22.04附带CUDA 11.8或12.1的深度学习镜像注意如果平台可选“无卡模式”或“CPU模式”一定要看清楚别在初始化的时候选错不然机器启动之后发现没有GPU可用一切工作都没法开展。硬盘这块很多人忽略。一个SDXL模型轻松超过6GB加上各种LoRA、VAE、ControlNet模型50GB可能只够起步。有些平台的数据盘是按容量计费的我一般会把常用模型下载后保留在数据盘里这样关机重启不会丢也方便随时恢复工作环境。3. 从零开始Linux下安装ComfyUI的完整过程3.1 登录服务器之后第一件要做的事拿到服务器之后你的第一步是SSH登录。Windows用户我推荐直接用系统自带的Terminal或者下载一个MobaXterm这样的终端工具Mac用户直接用自带的Terminal就行。登录命令大概是这个样子ssh root你的服务器IP登录成功后先检查GPU驱动是否正常。输入nvidia-smi你会看到类似下面这样的输出能看到显卡型号和显存大小就说明驱动没问题nvidia-smi如果提示找不到命令说明驱动没装好需要装NVIDIA驱动如果用的是平台自带的深度学习镜像一般驱动已经预装好了。装好之后再看CUDA版本可以用nvidia-smi右上角看到CUDA版本比如CUDA 12.1这个版本号决定了你后面要装什么版本的PyTorch一定要记下来。3.2 创建Python虚拟环境装GPU版PyTorch这一步很重要也有很多人在这里翻车。ComfyUI需要Python环境但服务器上的Python版本可能和ComfyUI的要求不一致所以最好为ComfyUI单独建一个虚拟环境避免和其他项目互相污染。# 安装虚拟环境工具如果还没装 apt update apt install -y python3-venv python3-pip # 在工作目录下创建一个专属环境 mkdir -p ~/comfyui cd ~/comfyui python3 -m venv venv # 进入虚拟环境 source venv/bin/activate激活之后命令行前面会多一个(venv)前缀现在可以安装PyTorch了。GPU版本的PyTorch不是随随便便pip install torch就完事必须指定CUDA版本。比如你机器上的CUDA是12.1就装cu121对应的版本pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果你用的CUDA是11.8把命令最后面的cu121换成cu118即可。安装完之后用下面命令验证GPU是否被PyTorch识别python -c import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))如果输出True并且打印出GPU型号就说明PyTorch已经能用GPU了。如果输出False多半是PyTorch装成了CPU版或者CUDA版本不对这时候重新安装匹配版本的PyTorch就好。这个验证步骤别跳过我见过有人装完直接启动ComfyUI跑到生成图片那一步才发现PyTorch没用上GPU白白浪费时间。3.3 拉取ComfyUI源码并安装依赖环境准备好之后拉ComfyUI源码就简单了。如果你用了上面的虚拟环境现在仍然在venv里。建议把ComfyUI克隆到和venv并列的目录不要放错位置后面好维护# 回到工作目录 cd ~/comfyui # 克隆源码 git clone https://github.com/comfyanonymous/ComfyUI.git # 进入源码目录 cd ComfyUI # 安装依赖 pip install -r requirements.txt这里要提醒一句安装依赖这一步经常会比较慢因为ComfyUI依赖不少包。如果网络不好国内可以给pip配置国内镜像源来加速。我在国内服务器上通常会用清华源或者阿里源速度和稳定性都更好。依赖装完先别急着启动顺手把常用的ComfyUI-Manager插件装上这个插件是ComfyUI的“应用商店”后面装其他自定义节点和插件都靠它安装命令如下# 进入ComfyUI/custom_nodes目录 cd ~/comfyui/ComfyUI/custom_nodes # 克隆ComfyUI-Manager git clone https://github.com/ltdrdata/ComfyUI-Manager.git # 回到ComfyUI目录并安装依赖 cd .. pip install -r custom_nodes/ComfyUI-Manager/requirements.txt这样ComfyUI主体和插件管理器都装好了下一步就可以准备模型文件。3.4 模型下载别把时间浪费在重新下载上ComfyUI本体并不会自带任何模型文件启动后你会在界面上发现模型列表是空的还需要手动把跑图用的模型放进对应目录。ComfyUI的模型目录结构在models下面最常用的几个位置models/checkpoints大模型主文件比如SD1.5、SDXLmodels/lorasLoRA模型models/vaeVAE文件models/controlnetControlNet模型models/clip文本编码器下载模型最简单的方式是用命令行工具直接拉取。很多模型在HuggingFace和国内模型站上都有直链比如从HuggingFace下载Stable Diffusion V1.5主模型# 进入checkpoints目录 cd ~/comfyui/ComfyUI/models/checkpoints # 用wget下载模型文件 wget -O v1-5-pruned-emaonly.safetensors https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5/resolve/main/v1-5-pruned-emaonly.safetensors如果你在国内网络环境下访问HuggingFace速度很慢可以改用国内模型社区下载搜索“SD1.5模型”就能找到镜像资源。另外我还习惯用一个工具叫huggingface-cli支持断点续传批量下载模型文件时更省心。模型下载完成后建议顺手记录一下文件路径。ComfyUI在加载模型时会自动扫描这些目录所以你只要把文件放对位置Web界面的模型列表里就会自动出现不需要额外配置。3.5 启动ComfyUI服务设置防火墙和访问权限模型放好之后就可以启动ComfyUI了。本地使用的时候直接运行python main.py就能通过http://127.0.0.1:8188访问但云服务器上如果不想通过本地端口转发就得让服务监听所有网卡像下面这样cd ~/comfyui/ComfyUI source ../venv/bin/activate python main.py --listen 0.0.0.0 --port 8188执行完这条命令ComfyUI会在终端打印出访问地址和日志。这里有个非常容易踩的坑你以为启动就完事了结果浏览器打开http://服务器IP:8188却打不开大概率是云平台的安全组或者防火墙把8188端口关了。我自己的排查顺序是先在云平台控制台看安全组规则确认8188端口已经放行然后看服务器本身的防火墙Ubuntu默认的ufw如果开着需要放行端口ufw allow 8188/tcp注意--listen 0.0.0.0意味着任何人只要知道你的IP和端口就能访问ComfyUI页面。出于安全考虑建议通过云平台安全组把8188端口的访问IP范围限制到你自己的IP而不要完全开放。4. 工作流运行30分钟跑通一张图4.1 理解ComfyUI的节点逻辑ComfyUI和传统的Midjourney、WebUI不同它用“节点”把AI绘图流程拆成了一个个模块然后用连线把这些模块串起来。你可以把它想象成小时候玩的管道拼接玩具每个模块有一个或几个水管接口水从入口进经过处理从出口出最后汇到终点。一个最基础的文生图工作流涉及的节点就几个加载模型、输入提示词、设置画布大小、采样器采样、解码输出、保存图片。每个节点都有一个明确职责比如“加载模型节点”负责把checkpoints里的模型读进内存“采样器节点”负责根据提示词和参数生成潜空间图像“解码节点”把潜空间图像转成真正的RGB图片。这种设计的好处是极其灵活。你可以在“采样器”后面再接一个“放大模型节点”把低分辨率图放大也可以在提示词节点上串联多个文本编码器实现更精细的控制。工作流本质上是一张有向图想改哪里就改哪里很多高级玩法都建立在这种灵活性上。4.2 从零搭一条文生图工作流启动ComfyUI之后浏览器打开Web界面默认会有一个最简单的文生图工作流模板。如果你想从零开始搭可以右键画布选择“新建”然后添加节点。下面我用最核心的节点组合示范一遍节点名称主要作用连接位置Load Checkpoint加载大模型文件输出MODEL连到KSampler的modelCLIP连到两个Text Encode的clipVAE连到VAEDecode的vaeCLIP Text Encode正向提示词编码输出连到KSampler的positiveCLIP Text Encode反向提示词编码输出连到KSampler的negativeEmpty Latent Image设置输出尺寸和批次大小输出连到KSampler的latent_imageKSampler核心采样节点控制步数、CFG、随机种子输出连到VAEDecode的samplesVAEDecode把潜空间图像解码成像素图输出连到Save Image的imagesSave Image保存图片到输出目录—实际连线的过程很直观从每个节点右侧的圆点拖动到下一个节点左侧的圆点对应关系上面表格里已经写了。连好之后在“Load Checkpoint”节点里选择一个模型在正向提示词输入框里写“a beautiful sunset over the mountains, highly detailed”在反向提示词里写“lowres, bad anatomy, blurry”点击“运行”或者快捷键CtrlEnter工作流就开始跑了。第一次跑的时候终端窗口会有大量日志输出GPU利用率会飙上去。如果你是4090 24GB显存跑一张SD1.5 512x512的图基本是秒出。我实测下来SDXL 1024x1024的图也只需要十几秒钟比本地3060快了好几倍。4.3 关键参数如何控制出图效果工作流跑通了但很多新手对KSampler节点里的参数一头雾水。这几个参数看似简单其实直接决定出图质量和风格seed随机种子。固定一个seed配合同样的模型和提示词就能复现同样的图换一个seed图就会完全变样。找灵感时多试几个seed定稿后锁定seed。steps采样步数。步数越多细节越丰富但不是越多越好。SD1.5通常20-30步足够SDXL建议30-40步。超过某个值之后画面提升变得极其有限只会白白增加等待时间。cfgCFG引导强度控制提示词对画面的影响程度。一般在7左右越高画面越贴近提示词但过高的CFG容易让画面过曝、颜色失真太低则图片容易偏离你的描述。sampler_name采样器。常用euler、dpmpp_2m、uni_pc等。不同采样器风格有差异新手先用默认的euler或者dpmpp_2m就好不要被网上一堆参数推荐搞晕。以上参数的合理范围我推荐一个稳健的起手组合seed任取steps 30cfg 7采样器dpmpp_2m调度器normal。在这个基础上微调通常比直接模仿大神的复杂参数更容易得到理想效果。4.4 复用别人的工作流文件要注意什么ComfyUI一个特别好玩的功能是分享工作流。别人分享的JSON文件拖进界面整个节点图和参数就都过来了非常方便。但云端环境下复用工作流有三个坑我踩过第一缺失节点。别人的工作流里可能用了你没装的插件或自定义节点。建议先装好ComfyUI-Manager然后在加载工作流时留意右下角的红色提示它会提示缺哪些节点点击“安装缺失节点”就能自动装。不过有时候自动安装会失败这时候只能去对应插件的GitHub仓库手动安装。第二模型路径不匹配。别人用的模型你在本地没有会加载失败。解决方法是先看工作流里用到的模型文件名然后去模型库里搜有没有同款没有的话去下载对应模型放到对应目录。第三参数不是万能的。别人的参数是在他的显卡和经验基础上调出来的你换一张显卡、换一个模型同样的参数未必能复现出原图。我一般把别人的工作流当成思路参考理解他每个节点的作用然后根据自己需求微调而不是无脑照搬。5. 云端踩坑日记常见问题与解决实录5.1 常见问题速查表下面这个表格是我在云端部署ComfyUI过程中遇到的高频问题按“现象—原因—解决办法”整理好可以直接拿来对照现象常见原因解决办法启动后浏览器无法访问安全组未放行8188端口防火墙拦截在云平台安全组放行8188端口服务器执行ufw allow 8188/tcp生成图片时版本CUDA out of memory显存不足以支撑当前分辨率/模型降低出图分辨率关闭背景进程减少batch size开启平台swap点击运行后没反应前端已连接但后端报错模型文件损坏切到终端查看报错日志重新下载模型确认checkpoints文件是safetensors格式PyTorch输出False装了CPU版PyTorch或CUDA版本与PyTorch不匹配用–index-url重装对应CUDA版本的torch加载工作流缺节点缺少对应自定义插件用ComfyUI-Manager安装缺失节点或去GitHub手动克隆模型列表为空或没有模型模型没放到models下对应目录启动服务目录不对检查文件目录模型文件必须放在ComfyUI/models/checkpoints中服务正常但出图极慢GPU没被正确调用显卡被其他任务抢占运行nvidia-smi查看显存和GPU占用检查PyTorch版本5.2 我踩过最狠的一个坑这里单独讲一个我印象特别深的坑。有一次我在云服务器上跑一个视频生成工作流跑着跑着系统突然变得极慢SSH连上去敲命令都卡。排查半天发现是内存不够Swap被吃满了。ComfyUI跑大模型不只占显存还吃CPU内存模型加载、中间结果缓存都要内存我的云服务器只有16G内存结果直接系统僵住。解决方法是两步一是加Swap空间给系统一个缓冲二是以后选实例时内存尽量给到32G以上。加Swap的方法# 创建一个8GB的swap文件 fallocate -l 8G /swapfile chmod 600 /swapfile mkswap /swapfile swapon /swapfile # 设置开机自动挂载 echo /swapfile none swap sw 0 0 /etc/fstab这只是临时缓解方案核心还是换大内存机器或者控制工作流的并发数量。那次之后我学乖了跑重负载任务之前先看一眼内存和显存余量养成习惯能省掉很多不必要的麻烦。5.3 云端服务器的日常维护和成本控制云端部署还有一个本地部署完全不一样的注意事项关机不等于不花钱存储费往往还在继续计费。很多平台即使你实例关机了数据盘和IP的占用费依然在扣。所以我自己的习惯是短期不用时先保存好工作流和模型文件再释放实例减少存储成本。长期可复用的模型放在公共数据盘这样重新创建实例时可以挂载避免重新下载。为每一步添加清晰的目录标注比如在ComfyUI/models下建一个README.md记录每个文件从哪下的时间久了真的救命。另外跑图任务的批量并发也要注意频率。我自己有一次为了出测试素材同时跑了三个工作流结果显存占用率直接满了出图速度反而比串行跑还慢。ComfyUI虽然支持多任务但它更适合用合理的调度来跑而不是无脑并发。对大部分个人用户来说一次稳定跑一个工作流把batch size调大一些比同时开多个任务要更高效、更稳定。我个人在云上跑ComfyUI这一年多最大的体会是云端环境给了你极大的灵活性但也对使用习惯提出了更高要求。GPU选型、环境部署、模型管理、成本控制每一个环节都值得花点心思。如果你正处于“本地跑不动、刚想上云”的过渡期希望这篇流程能帮你少走一点弯路。最后再分享一个我常用的做法每次新搭建好一台云服务器我都会把安装命令整理成一个shell脚本存起来下次开新机器直接一键执行几分钟就能恢复整套环境省下的时间远比写脚本的时间多。