自从 ComfyUI 火起来之后网上铺天盖地都是教程但大多数教程的终点都是同一个动作去某位大佬网盘里下整合包。整合包确实很香解压就能跑可一旦你换了显卡、加了新插件、想要升级到新版问题就来了。自己手动做一次 ComfyUI 本地部署不是装X而是把“能不能跑、为什么跑不动、坏了怎么修”这几个能力彻底交回自己手里。这篇不是让你背命令而是把我自己从入门到折腾一路踩过的坑拆开给你看照着做一遍后面再遇到报错你大概率能自己解决。1. 为什么本地部署 ComfyUI 值得自己动手1.1 本地部署解决什么痛点先说个很现实的事很多人一开始用的是在线绘图平台或云端 ComfyUI这种模式的好处是零配置打开网页就能出图。但用久了你会发现免费额度很快就没了传工作流时如果节点涉及自定义插件平台不一定支持而且你的图片、提示词、训练素材全都在别人服务器上敏感项目根本不敢放上去。本地部署就是把整个 ComfyUI 环境搬到你自己电脑里模型文件、工作流、插件全部躺在本地硬盘上。没有额度限制没有排队断电断网也能继续折腾。更重要的是你能随时改代码、调参数、装新插件自由度比任何在线版本都高。还有一个经常被忽略的点本地部署是学习 AI 绘图底层逻辑的最好入口。当你亲手配置了 Python 环境、装好 PyTorch、启动服务、加载模型你就会明白所谓“AI 绘画”并不是一个黑盒而是一套有输入输出、有依赖关系的本地程序。这种理解是花钱买在线会员买不到的。1.2 整合包 vs 手动部署我为什么不无脑推荐整合包国内最流行的是秋叶整合包这个确实做得很用心自带空环境、常用插件、模型下载工具小白拿到手解压就能跑。但整合包有三个天生短板对比维度整合包手动部署上手门槛极低解压即用需要一点命令行基础更新灵活性依赖作者更新升级容易冲突随时 git pull 更新问题排查报错后很难定位原因自己搭的环境心里有数插件兼容内置版本可能过旧按需安装版本可控磁盘占用往往塞了很多你用不到的东西只装自己需要的学习价值几乎为零一次学会终身受用我见过不少用整合包的人遇到一个报错就去群里发截图“求大佬看看”等的过程中什么都干不了。而手动部署的人看到报错会先去看 log查路径activate 虚拟环境用 pip list 对比缺什么包。这不是说整合包不好而是整合包的“省事”只在第一次安装时有效之后每一次折腾都是在替你承担不确定性。所以我的建议是如果你只是想随便玩玩整合包可以。但如果你打算认真用 ComfyUI 做项目、批量出图、研究工作流我强烈建议你至少手动部署一次。哪怕最后你还是用回整合包这次手动部署也会让你知道整合包帮你在背后做了什么。1.3 “不求人”的真正含义这个教程标题叫“不求人”不是因为我会把所有答案都写出来而是想帮你建立一套自己解决问题的能力。ComfyUI 的变化非常快几乎每个月都有新插件、新模型、新参数没有任何一篇教程能永远包办未来所有问题。当你掌握了手动部署这套流程以后遇到任何新工具比如本地部署其他大模型、部署 Whisper 服务、跑本地视频生成你都能举一反三先看官方文档检查硬件是否达标配置环境拉代码装依赖找模型跑通 hello world。这条路走通了你就不再需要到处找人帮你“远程看一下”了。2. 动手前的硬件评估与环境准备2.1 显卡与显存才是核心ComfyUI 的绘图计算主要在 GPU 上完成CPU 也能跑但速度会慢到怀疑人生。所以第一件事就是确认你的显卡型号和显存大小。显存决定了你能跑多复杂的模型、多大的图片尺寸。常见的误区是拿电脑内存来替代显存这两个是完全不同的东西。内存是 CPU 用的临时存储显存是 GPU 专用的高速存储AI 模型运行时权重、中间特征图都放在显存里内存再大也没法直接弥补显存缺口顶多靠 CPU offload 硬撑速度会断崖式下降。显存容量适合的场景4GB跑 SD 1.5 小尺寸图勉强跑 SDXL 低分辨率需要开启低显存模式6GBSD 1.5 基本流畅SDXL 需要裁剪分辨率或开启优化8GBSDXL 可以在 512x768 左右流畅跑搭配放大节点可出高分辨图12GBSDXL 主流分辨率基本无压力可跑常见 ControlNet16GB可以跑 SDXL 较高分辨率尝试部分视频模型训练 LoRA 轻松一些24GB能跑更多大模型、微调、视频生成几乎不用操心显存我实际操作中的体会是8GB 显存是一个舒适起点。如果你只有 4GB 也不是不能玩但建议从 SD 1.5 模型起步把图片设置成 512x512 或者 512x768不要一上来就挑战 1024 以上的图。2.2 系统、驱动与 CUDA 环境ComfyUI 官方支持 Windows、Linux 和 macOS。大部分新手用 Windows我教程也以 Windows 为例但 Linux 思路完全一致只是命令稍微不同。显卡驱动是很多人忽略的关键点。你装完显卡后如果从来没有更新过驱动PyTorch 可能认不出你的 GPU。建议去显卡官网或设备管理器更新到较新的正式版驱动。NVIDIA 用户可以在驱动面板里看 CUDA 版本信息驱动足够新的话PyTorch 的 CUDA 运行库可以自动适配不用单独全局安装 CUDA Toolkit。一个实用的检测方法在命令行里运行nvidia-smi如果能看到显卡信息和右上角的 CUDA Version说明驱动正常。然后再在你的 Python 虚拟环境里运行python -c import torch; print(torch.cuda.is_available())如果输出 True说明 PyTorch 和 GPU 已经成功对接。不要盲目去装最新 CUDAPyTorch 对 CUDA 版本有要求但通常只要驱动版本高于最小要求就行。反而是驱动过旧更容易出现问题。2.3 必要的软件基础准备手动部署 ComfyUI最简配置需要这三样Python 3.10 或 3.11ComfyUI 官方建议 3.10 以上3.12 兼容性有波动。我建议无脑 Python 3.10.11稳定、省心。Git用来拉取 ComfyUI 源码和安装自定义节点。现代浏览器ComfyUI 是个 Web 界面服务Chrome 或 Edge 都行。另外建议准备一个顺手的终端工具Windows 用户用 PowerShell 就够不推荐用 CMD 因为复制粘贴编码容易出问题。如果你经常要下载国内源的大模型可以额外准备一个支持断点续传的下载器这个后面会专门讲。这些都是基础软件装的时候注意一点Python 安装时一定要勾选Add Python to PATH否则后面运行 python 命令会提示“不是内部或外部命令”。同理Git 安装时有一步让你选择编辑器保持默认的 Vim 就行不需要换。3. ComfyUI 完整手动部署流程3.1 获取 ComfyUI 源码与目录结构打开终端进入你打算放项目的地方然后执行git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI如果你在 GitHub 拉取速度很慢可以用国内的加速镜像地址把github.com换成镜像站域名效果和官方仓库完全一致。整个 ComfyUI 项目不大几 MB 而已等几秒就能下载完。拉取完之后建议先看一眼目录结构这对后面的排查至关重要main.py启动入口服务端主程序。models/模型统一存放目录里面又细分 checkpoints、loras、vae、controlnet、upscale_models 等子目录。custom_nodes/自定义节点和插件放在这里每个插件是一个子文件夹。input/默认的图片输入目录工作流里加载图片会用到。output/生成的图片默认保存到这里。web/前端界面文件正常情况下不用动。requirements.txtPython 依赖列表。理解目录结构之后你后面遇到“为什么找不到模型”这类问题第一反应就是去检查models/checkpoints里有没有 .safetensors 文件而不用等别人告诉你。3.2 创建 Python 虚拟环境与安装依赖直接在全局环境里pip install -r requirements.txt是新手最容易踩的坑。这样做很可能和你电脑上其他 Python 项目的依赖产生冲突尤其是 torch 这种体积大、版本敏感的库。正确做法是创建独立虚拟环境。Windows PowerShell 下执行python -m venv venv .\venv\Scripts\Activate.ps1激活后命令行前面会出现(venv)标记后面的安装都装在这个隔离环境里不污染系统 Python。Linux / macOS 下激活命令是source venv/bin/activate。然后安装依赖。ComfyUI 的 requirements.txt 包含常规依赖但 torch 通常建议单独安装因为默认源里的 torch 不一定带 CUDA 支持。我建议先装 torchpip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121然后安装剩余依赖pip install -r requirements.txt如果网络状况不好可以把 pip 源切换到清华镜像但注意 torch 的 cu121 轮子文件比较大清华镜像不一定全所以 torch 那一步最好保留官方源。装完之后验证 GPU 可用python -c import torch; print(torch.cuda.is_available()); print(torch.__version__)这一步我至少遇到三次“明明驱动装了但输出 False”的情况最后排查下来都是 torch 装成了 CPU 版本。大家装完务必看一眼 torch.version如果是 cpu 结尾说明没装上 CUDA 版重新用 cu121 源装一遍。3.3 下载基础模型与放置路径ComfyUI 本身没有模型它只是一个绘图引擎真正出图靠的是模型文件。最常用的是 Stable Diffusion 系列模型文件名通常是.safetensors体积在 2GB 到 7GB 之间。下载模型有几个来源一是国外模型站Hugging Face 上有官方仓库二是国内各种模型社区三是一些模型聚合站。如果你在国外模型站下载速度很慢建议配置国内镜像环境变量比如在终端里运行$env:HF_ENDPOINT https://hf-mirror.com之后再执行任意 huggingface 下载命令都会自动走国内镜像。这是合规且普通的国内镜像加速方案我实测下载速度能快很多强烈建议用。模型文件放哪里很关键。基础模型放在models/checkpoints目录下一个文件对应一个模型。比如你下载了sd_xl_base_1.0.safetensors就把它放到ComfyUI/models/checkpoints/sd_xl_base_1.0.safetensors其他类别模型也都有固定位置LoRA 模型models/lorasVAE 模型models/vaeControlNet 模型models/controlnet放大模型models/upscale_modelsCLIP 模型models/clipT2I-Adapter 模型models/adapters如果你分不清某类文件放哪可以启动 ComfyUI 后看界面的 Load 节点它的下拉列表就是扫描这些目录得到的。我之前直接把 ControlNet 文件放到 checkpoints结果加载节点里怎么都找不到最后才发现路径错了。3.4 首次启动 ComfyUI 与界面初识模型放好之后启动就很简单了python main.py首次启动会加载一堆模块看到类似To see the GUI go to: http://127.0.0.1:8188的提示就说明服务跑起来了。浏览器打开这个地址就是 ComfyUI 的图形界面。如果想省去每次敲命令的麻烦可以在 ComfyUI 根目录建一个启动.bat内容写echo off call venv\Scripts\activate.bat python main.py pause以后双击就能启动。注意确定.bat文件编码是 ANSI否则中文注释可能变乱码。第一次进界面你会看到一张由各种方块和连线组成的默认工作流。这个界面看起来复杂理解起来其实很简单左边是控制区中间是节点画布每个节点负责一个任务连线表示数据流向从“加载模型”开始经过“正向提示词”、“KL采样器”、“VAE解码”最后到“保存图片”。鼠标右键可以呼出节点菜单双击空白处会出现节点搜索框。我的建议是第一次先别急着修改节点直接点击默认工作流中的Queue Prompt按钮生成一张测试图。如果能看到第一张图顺利跑出来说明你的部署已经成功了一大半。3.5 安装常用自定义节点与插件ComfyUI 的原生节点能完成基础文生图、图生图但很多高级功能需要自定义节点支持比如 ControlNet 控制、视频生成、放大细化、翻译提示词等等。安装自定义节点最优雅的方式是使用 ComfyUI Manager。在custom_nodes目录下执行git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启 ComfyUI 后界面右侧会出现一个“Manager”菜单。点进去可以浏览所有插件点击 Install 就能在线安装。以后启动时如果有插件更新Manager 也会提示。常用插件我列几个按需装别一次装太多ComfyUI Manager插件管理器必装。ComfyUI ControlNet AuxControlNet 相关预处理器。Ultimate SD Upscale图片放大插件。ComfyUI Impact Pack局部重绘和检测类节点。AIGODLIKE-ComfyUI-Translation中文翻译插件适合英文不好的朋友。注意一个原则插件装得越多出问题的概率越大。每安装一个新插件都要重启一次 ComfyUI确认能正常加载再继续装下一个。否则一上来装十来个插件报错你都不知道是哪一个引起的。4. 排错手册与性能优化实战4.1 启动报错最常踩的坑手动部署后第一个报错十有八九是ModuleNotFoundError: No module named torch。这个报错说明你当前运行 Python 的虚拟环境没有装 torch。原因通常是终端里没激活 venv或者激活失败。眼尖的朋友可以在命令行前面看有没有(venv)标记没有就重新执行激活命令。第二个高发报错是Could not find model或者低阶列表空白。这种情况几乎都是模型文件路径不对去对应的 models 子目录检查一下文件名和后缀ComfyUI 不认中文名和空格建议统一改成字母和下划线命名。第三个常见问题是端口被占用启动时提示Address already in use。要么把其他占 8188 端口的程序关掉要么启动时换一个端口python main.py --port 8189如果你是从整合包转手动部署还有一个容易忽略的问题旧的整合包 python 环境和手动部署的环境可能共用显卡驱动缓存出现奇怪的情形。我遇到过一次启动就崩溃最后重启电脑、清空__pycache__目录才正常。4.2 显存不足与 OOM 处理生成图片时最常见的是爆显存报错一串CUDA out of memory。这个报错不要慌它只是告诉你显存不够不一定是配置有问题。处理方法按优先级排序第一降低图片分辨率。SD 1.5 默认 512x512你如果强行拉到 1024x10248GB 显存直接爆。先把分辨率降到显存能承受的范围跑通之后再想办法放大。第二减小 Batch size。Batch size 是同时处理的图片数量默认 1 就行有的人为了“效率”调成 4显存立刻翻四倍不爆才怪。第三启用 ComfyUI 的低显存模式。启动时加上参数python main.py --lowvram这个模式会把部分模型层暂时放到内存换取显存空间但速度会变慢。还有--novram是禁用显存卸载不推荐。第四拆解流程。不要在一个工作流里同时加载多个大模型或大量 ControlNet 模型比如先用大模型出图再单独交给放大工作流处理。写工作流的时候尽量精简节点减少中间张量占用的显存。4.3 模型下载失败或加载后效果异常模型下载失败在网络不稳定的地区很常见。解决办法其实很简单不要用浏览器直接下载大文件推荐带断点续传的下载器或者先用网盘离线下载再转到本地。下载完成后检查文件大小是否和源站一致很多“加载失败”其实是文件不完整。另外有一种情况模型加载成功但生成出来的图全是黑图或噪点。这种八成是 VAE 出了问题。很多基础模型自带的 VAE 不一定好你需要额外下载一个修复过的 VAE 文件放到models/vae然后工作流里在“VAE 解码”节点前强制加载。如果你用的是 SDXL 模型还可能是正负提示词格式不对SDXL 一般推荐使用prompt加negative_prompt的写法具体要看工作流模板。还要注意模型版本匹配。比如你下载一个 ControlNet 模型必须和基础模型版本一致SDXL 的 ControlNet 不能用于 SD 1.5否则不报错但结果完全没有控制效果让人误以为插件坏了。4.4 性能调优实测有效的几个方向很多人觉得出图慢就跑不动了其实 ComfyUI 的可调参数很多我实测下来这几个方向最有效优先更新显卡驱动。一次驱动升级能让性能提升 10% 到 20%这是最容易忽略的免费优化别整天折腾代码。然后是模型加载方式。ComfyUI 默认把模型完整加载到显存如果你同时开了浏览器、录屏软件显存被抢占会导致性能下降。关闭不必要的程序给 ComfyUI 留出干净的显存空间。还有采样器选择。不同的采样器速度和画质差异很大同等步数下DPM 系列速度适中Euler 系列更快适合初步测试。实际项目出图时不要盲目追求高步数20 到 30 步通常是甜点区间30 步以上画质提升递减时间却线性增加。最后升级 PyTorch 版本。每次 PyTorch 大版本更新对运算图的优化都很明显。定期在虚拟环境里更新一下pip install --upgrade torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu1214.5 备份与升级习惯手动部署之后更新 ComfyUI 只需要在根目录执行git pull然后重启服务。但这一步有个前提你要先备份自己的东西。models目录里的模型文件少则几 GB多则几十 GB不需要备份到网盘但至少要做好清单记录文件名和用途。custom_nodes目录里可能有你手动改过的代码更新主程序前先确认插件兼容性。我个人的习惯是每次升级前先复制一份custom_nodes和input目录保存到另一个文件夹再把models/checkpoints的目录结构截图存下来。升级后如果出问题我直接恢复旧目录两分钟就回去了。别嫌麻烦我在升级后遇到过插件和核心不兼容整个环境废掉的情况没有备份就得重新配半天。5. 工作流与进阶玩法部署完只是开始5.1 导入别人的工作流本地部署成功之后最爽的事就是可以到处导入别人分享的工作流文件。工作流通常是.json文件在 ComfyUI 界面中直接把 JSON 文件拖入浏览器空白处就能自动生成节点结构。但导入之后大概率会遇到两种情况一是提示缺失某个自定义节点二是提示缺少某个模型。缺失自定义节点时打开 Manager 搜索对应插件安装缺失模型时看提示的模型文件名去相应目录补上。有个小技巧导入工作流之前先把 JSON 文件用文本编辑器打开搜索ckpt_name、lora_name等字段可以提前看到需要哪些模型文件免得导入后一个一个查。用久了你就会发现很多人分享工作流时并不附上所有模型链接模型管理能力才是真正拉开差距的地方。5.2 模型管理技巧模型一多管理就成了大问题。我现在的models/checkpoints里有二十多个模型全靠命名规范硬记是不现实的。我总结了一套自己的方法文件名统一格式类别_风格_版本.safetensors比如realistic_photography_v10.safetensors。在模型目录里放一个说明.md记录每个模型的来源、用途、推荐参数。定时清理长期不用的模型硬盘空间被几十个几 GB 的模型占满是很常见的悲剧。如果两个目录需要共用模型可以用符号链接Windows 下mklink不用复制两份省空间省时间。LoRA 模型管理同理。很多 LoRA 文件的触发词写在文件名里建议文件名保留原始触发词和版本信息不要为了好看改成“头像风格1”这种名字否则你会在关键时刻完全想不起来它该怎么用。5.3 生成视频与动画的扩展玩法当你把传统文生图、图生图流程跑顺之后ComfyUI 更广阔的玩法是视频生成和动画。比如一些基于扩散模型的视频生成节点、AnimateDiff 系列插件本质上也是在本地跑大模型只是输入输出从单帧变成了多帧。视频生成对显存的要求比单图又上了一个台阶。我的建议是先从低分辨率、短视频帧数开始比如 512x512、8 到 16 帧跑通流程后再逐步提升。视频模型的模型文件体积更大加载更慢建议单独给视频工作流配置一个低显存优化版本别和文生图工作流混在一起。5.4 把 ComfyUI 作为本地服务给团队用如果你跑熟了想让局域网内其他电脑访问你的 ComfyUI可以在启动时加参数python main.py --listen 0.0.0.0 --port 8188这样同一局域网下的其他设备就能通过你的电脑 IP 访问这个服务。适合团队共用一台高性能机器做测试。不过要注意两点一是别让写死的本地路径或模型路径暴露给不受信任的人二是局域网多人同时出图会抢占显存最好按人头分时间段错峰使用。6. 我踩过坑之后总结的三条经验这篇内容快写完了最后分享几条我在实际使用中沉淀下来的经验句句是换来的教训。第一不要追求一步到位。第一次手动部署时我雄心勃勃地想一次性装好所有插件结果整整两天都在处理节点冲突。你不需要一上来就装 ControlNet、视频生成、LoRA 训练一大堆先用原生节点把基础流程跑熟再按项目需求逐步加装。稳定跑通默认工作流比什么都强。第二日志是你最好的老师。ComfyUI 终端里的日志不是摆设每一个节点运行都会打印相关信息报错时先看最后几行找红色或 error 字样。我排查过的绝大多数问题最后都能在日志里找到原因。不要一遇到报错就急着截图求人先自己花两分钟看日志你常常能自己解决。第三模型文件是你最贵重的资产。环境可以重新配代码可以重新下但几十 GB 的模型下载成本可能比安装运行环境还高。我每次动 models 目录前都会确认备份状态转移文件夹时优先用支持校验的工具防止文件损坏。ComfyUI 本地部署这条路不算平坦但走通之后你会发现在这个 AI 工具疯狂迭代的时代你终于有了一套可以不依赖别人的本地创作环境。以后不管换显卡、懂 Python、玩新模型你都能自己搞。这才是真正的“不求人”。祝你的第一次Queue Prompt顺利跑出一张好图。