企业官网建设流程全解析

1. 为什么我劝你趁早把 ComfyUI 搬到本地

先说结论：如果你打算长期玩 AI 绘图，本地部署 ComfyUI 这件事，早晚都得做，早做早省心。我自己是从在线版一路用过来的，最开始图省事，觉得网页打开就能跑，何必折腾本地环境。结果用了不到两周就受不了了——排队、限流、模型不能随便换、生成参数被锁死、图片还得一张张手动下载。最要命的是，你想装个自定义节点，发现根本没权限。那种感觉就像你租了个毛坯房，房东还不让你动墙。

ComfyUI 跟传统的 WebUI 完全是两个思路。它把整个绘图流程拆成了节点，每个节点负责一件事——加载模型、编码提示词、采样、解码、保存。你把这些节点用线连起来，就构成了一张工作流图。这种设计的好处是极度灵活：你想在采样前插一个图像缩放，直接拖个节点进去就行；你想同时跑两个不同的采样器做对比，复制一份连线就完事。但灵活也意味着门槛，很多人第一次打开 ComfyUI 的界面，看到满屏的节点和连线，直接就懵了。

所以这篇内容就是来解决这个问题的。我会从零开始，把本地部署 ComfyUI 的完整流程拆开讲清楚——包括硬件怎么选、环境怎么配、模型放哪里、工作流怎么搭、常见报错怎么修。不管你是刚接触 AI 绘图的新手，还是从其他工具转过来的老玩家，照着走一遍，基本都能在自己的机器上跑起来。整个过程不需要你懂 Python，也不需要你会写代码，跟着操作就行。

提示：本地部署的核心价值在于数据完全留在自己手里，生成过程不受网络波动影响，模型和插件想装就装。代价是需要一台配置过得去的电脑，以及花一两个小时做初始配置。

2. 部署前的硬件与环境盘点

2.1 你的电脑能不能跑 ComfyUI

ComfyUI 对硬件的要求，说白了就一句话：显卡决定上限，内存决定下限。显卡方面，NVIDIA 的卡支持最好，因为 CUDA 生态成熟，大部分自定义节点都是优先适配 N 卡的。显存 8GB 是起步线，能跑 SD1.5 和 SDXL 的基础模型；12GB 以上会比较舒服，可以跑一些较大的模型和更高的分辨率；16GB 以上基本就没什么限制了，视频生成类的模型也能碰一碰。AMD 的卡也能跑，但需要走 DirectML 或者 ROCm 路线，配置起来麻烦一些，部分节点可能不兼容。Apple Silicon 的 Mac 可以用 MPS 后端，速度比不上 N 卡，但胜在安静省电。

内存方面，16GB 是底线，32GB 推荐。因为 ComfyUI 在加载模型的时候会把权重读到内存里，模型越大占得越多。我试过在 16GB 的机器上加载一个 6GB 的大模型，系统直接开始用交换分区，生成一张图等了快三分钟。换成 32GB 之后，同样的模型加载只要十几秒。硬盘方面，强烈建议用固态，因为模型文件动辄好几个 G，机械硬盘加载起来那个等待时间够你泡杯茶。容量的话，准备至少 100GB 的可用空间，模型这东西只会越下越多。

2.2 系统环境的选择与取舍

Windows 和 Linux 我都部署过，各有各的优缺点。Windows 的好处是驱动安装简单，图形界面操作直观，适合大多数用户。缺点是路径里经常有中文和空格，容易导致一些节点报错。Linux 的好处是环境干净、性能释放更充分、命令行操作效率高，缺点是对新手不太友好，装驱动和依赖的时候容易卡住。如果你是第一次部署，我建议先用 Windows 跑通，等熟悉了再考虑迁移到 Linux。

Python 版本这块要注意，ComfyUI 目前推荐用 3.10 或 3.11，太新的版本（比如 3.12）部分依赖包可能还没适配，太老的版本（3.8 以下）又不支持一些新特性。我实测下来 3.11 最稳，兼容性最好。另外一定要装 Git，因为后面拉取项目和更新节点都要用到。如果不想自己配 Python 环境，也可以用整合包，解压就能用，省去了装依赖的麻烦。但整合包的缺点是更新不及时，而且你不太清楚里面到底装了什么。

注意：不管用哪种方式部署，安装路径里千万不要有中文和空格。我见过太多人因为路径问题折腾半天，最后发现把文件夹从“AI 绘图”改成“ai_draw”就好了。

3. 手把手完成 ComfyUI 本地部署

3.1 获取 ComfyUI 主程序

第一步是拿到 ComfyUI 的代码。最直接的方式是用 Git 克隆官方仓库。打开命令行工具，切换到你想要存放的目录，然后执行克隆命令。这个过程会把最新的主程序下载下来，大概几十兆，很快。如果你没有装 Git，也可以直接去代码托管页面下载压缩包，解压到指定目录。两种方式效果一样，但用 Git 的好处是后续更新只需要一条命令，不用重新下载。

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI

克隆完成之后，你会看到目录里有一堆文件和文件夹。先别急着运行，接下来要配置 Python 环境。我强烈建议用虚拟环境，这样不会污染系统里的 Python，也不会因为不同项目的依赖冲突导致各种奇怪的报错。创建虚拟环境的命令很简单，一行就搞定。创建完之后激活它，你会看到命令行前面多了一个括号，说明已经进入虚拟环境了。

python -m venv venv # Windows venv\Scripts\activate # Linux / Mac source venv/bin/activate

3.2 安装依赖与 PyTorch 的正确姿势

激活虚拟环境之后，下一步是安装依赖。ComfyUI 的依赖清单在 requirements.txt 文件里，用 pip 一键安装就行。但这里有个坑：PyTorch 的安装不能直接用默认命令，因为默认会装 CPU 版本，跑图的时候慢得你想砸电脑。你需要根据自己的 CUDA 版本去 PyTorch 官网找对应的安装命令。比如你的显卡驱动支持 CUDA 12.1，那就装 cu121 版本的 PyTorch。

# 先装 PyTorch，注意替换成适合你环境的版本 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 再装 ComfyUI 的其他依赖 pip install -r requirements.txt

怎么确认 PyTorch 装对了？激活虚拟环境后输入 python 进入交互模式，然后执行两行代码：导入 torch，打印 torch.cuda.is_available()。如果返回 True，说明 GPU 可用；如果返回 False，说明装成了 CPU 版本，需要卸载重装。这个检查步骤非常重要，我见过不少人跑图慢得离谱，最后发现根本没用上显卡。

import torch print(torch.cuda.is_available()) # 应该输出 True print(torch.cuda.get_device_name(0)) # 显示你的显卡型号

3.3 模型文件的目录结构与放置规则

ComfyUI 跑起来之后，你需要把模型文件放到对应的目录里。它的目录结构很清晰，不同类型的模型放在不同的文件夹下。主模型（也就是 checkpoint）放在 models/checkpoints 目录，VAE 模型放在 models/vae，LoRA 放在 models/loras，ControlNet 放在 models/controlnet。放错位置的话，节点里是找不到模型的。我刚开始用的时候把 LoRA 扔到了 checkpoints 里，结果加载器里死活刷不出来，排查了半天才发现是路径问题。

模型文件一般从模型分享社区下载，格式优先选 safetensors，比 ckpt 更安全，不容易携带恶意代码。下载完之后直接拖进对应文件夹就行，不需要解压。如果你不确定某个模型该放哪里，可以看它的文件大小和扩展名来推断：几个 G 的通常是主模型，几十到几百兆的可能是 LoRA 或 VAE，ControlNet 一般在一到两个 G 左右。

3.4 启动与首次运行验证

一切就绪之后，在 ComfyUI 根目录下执行启动命令。如果你用的是 NVIDIA 显卡，直接运行 main.py 就行。启动过程中命令行会刷出一堆信息，包括加载了哪些节点、监听的端口号等。看到“To see the GUI go to: http://127.0.0.1:8188”这行字，说明服务已经起来了。打开浏览器输入这个地址，就能看到 ComfyUI 的界面了。

python main.py

首次打开界面，你会看到一个默认的工作流，包含加载模型、正向提示词、负向提示词、采样器、解码、保存这几个核心节点。先别急着改，直接点运行按钮，看看能不能出图。如果顺利生成了一张图片，恭喜你，部署成功了。如果报错，别慌，下一节我会把常见的报错和解决方法整理出来。第一次运行可能会比较慢，因为要加载模型到显存，耐心等一会儿。

提示：如果你的显存比较小，可以在启动命令后面加 --lowvram 参数，让 ComfyUI 用更省显存的方式运行。代价是速度会慢一些，但至少不会爆显存。

4. 核心工作流的搭建与参数调优

4.1 理解节点式工作流的底层逻辑

ComfyUI 的工作流本质上是一张有向无环图，数据从左侧的加载节点流入，经过一系列处理节点，最后从右侧的输出节点流出。每个节点有输入端口和输出端口，连线代表数据的传递方向。这种设计的好处是你可以精确控制每一步的处理过程，而不是像传统界面那样把所有参数塞在一个表单里。举个例子，你想在采样之前对图像做一次缩放，只需要在加载图像和采样器之间插入一个缩放节点就行，其他部分完全不受影响。

理解了这个逻辑，你就能看懂大部分工作流了。默认工作流是最基础的文生图流程：加载模型 → 编码正向提示词 → 编码负向提示词 → 采样 → 解码 → 保存。每一步都有对应的节点，节点之间的连线就是数据流向。你可以把这条链路想象成一条流水线，原料从一头进去，成品从另一头出来。中间任何一个环节都可以替换或增加新的处理步骤。

4.2 关键参数的含义与调节技巧

采样器是工作流里最核心的节点，它决定了图片的生成质量。里面有几个关键参数需要理解。步数（steps）控制采样的迭代次数，一般 20 到 30 步就够了，再往上提升不明显但时间翻倍。CFG 值控制提示词的遵循程度，7 到 9 之间比较平衡，太低会忽略提示词，太高会导致画面过饱和。采样器（sampler）和调度器（scheduler）的组合影响生成风格，euler 配 normal 是通用选择，dpmpp_2m 配 karras 适合追求细节的场景。

种子这个参数值得单独说一下。默认是随机模式，每次运行都会生成不同的图片。如果你想复现某张满意的图，就把种子固定下来，其他参数不变，再运行一次就能得到几乎一样的结果。但要注意，如果你改了模型或者采样器，即使种子相同，结果也会不一样。所以复现的前提是所有参数都保持一致。

4.3 从零搭建一个自定义工作流

默认工作流只能满足最基础的需求，实际使用中你肯定需要根据自己的场景来调整。比如你想做图生图，就需要把加载图像节点替换掉空 latent 节点，然后调整去噪强度。去噪强度决定了保留多少原图信息，0.3 左右是轻微改动，0.7 以上基本就是重新画了。再比如你想加一个 LoRA，就在模型加载器和采样器之间插入一个 LoRA 加载器节点，把模型输出接到 LoRA 的输入，再把 LoRA 的输出接到采样器。

搭建工作流的时候有个小技巧：先把所有需要的节点都拖到画布上，再统一连线。这样不容易乱。连线的时候注意端口类型要匹配，模型输出只能接模型输入，图像输出只能接图像输入，接错了会报错。如果连线太多看不清，可以用分组功能把相关的节点框在一起，给分组起个名字，这样工作流大了也不会乱。我见过一些复杂的工作流，节点上百个，没有分组的话根本没法维护。

注意：修改工作流之后记得保存，ComfyUI 支持把工作流导出成 JSON 文件。这样下次可以直接加载，不用重新搭。建议每调好一个满意的流程就导出备份，免得手滑改坏了找不回来。

5. 常见报错与排查技巧实录

5.1 启动阶段的典型问题

启动阶段最常见的报错是缺依赖。命令行会提示 ModuleNotFoundError，告诉你缺了哪个包。这种情况直接用 pip 装上就行。但有时候装了还是报错，那可能是版本不匹配，需要指定版本号安装。还有一种情况是 PyTorch 和 CUDA 版本对不上，报错信息里会出现 CUDA 相关的字样。这时候需要去 PyTorch 官网查对应关系，重新安装匹配的版本。

另一个常见问题是端口被占用。ComfyUI 默认用 8188 端口，如果这个端口已经被其他程序占了，启动会失败。解决方法是在启动命令后面加 --port 参数指定一个新端口，比如 --port 8189。还有一种情况是防火墙拦截了本地访问，浏览器打不开界面。这时候检查一下防火墙设置，把 Python 或者 ComfyUI 加入白名单就行。

5.2 运行阶段的显存与内存问题

运行阶段最让人头疼的就是显存不足。报错信息通常是 CUDA out of memory，意思是显存不够用了。解决方法有几个：一是降低生成分辨率，比如从 1024 降到 768；二是减少批量生成的数量；三是启动时加 --lowvram 或 --medvram 参数；四是换一个更小的模型。我自己的经验是，8GB 显存跑 SDXL 的 1024 分辨率基本是极限，再高就会爆。如果经常遇到这个问题，可以考虑升级显卡，或者用一些显存优化节点。

内存不足的表现是系统变得极卡，硬盘灯狂闪，生成速度骤降。这是因为系统在用交换分区，速度比内存慢几十倍。解决方法是关掉其他占内存的程序，或者加内存条。另外，ComfyUI 在切换模型的时候不会自动释放旧模型占用的内存，如果你频繁切换大模型，内存会越占越多。这时候可以重启一下 ComfyUI，或者用一些清理节点的插件来手动释放。

5.3 自定义节点的安装与冲突处理

自定义节点是 ComfyUI 生态里最有意思的部分，但也是问题最多的部分。安装节点一般有两种方式：一种是通过节点管理器搜索安装，另一种是手动把节点仓库克隆到 custom_nodes 目录。推荐用管理器，它会自动处理依赖，省心很多。但管理器也不是万能的，有些节点需要特定的依赖版本，装了之后可能和其他节点冲突。

冲突的表现通常是启动时报错，或者某个节点突然不能用了。排查方法是看启动日志，找到报错的那个节点，把它禁用或者卸载。如果不知道是哪个节点的问题，可以先把 custom_nodes 目录清空，然后一个一个装回来，每装一个重启一次，直到找到罪魁祸首。这个过程比较费时间，但能彻底解决问题。我一般会在装新节点之前先备份一下整个 custom_nodes 目录，出问题了直接还原。

提示：不要一次性装太多自定义节点，尤其是来源不明的。有些节点会修改 ComfyUI 的核心文件，导致整个环境崩溃。装之前先看看这个节点的更新频率和社区评价，太久没更新的慎用。

6. 性能优化与日常使用建议

6.1 让生成速度再快一点的几个设置

生成速度主要受显卡性能和模型大小影响，但有一些设置可以在不换硬件的情况下提升效率。首先是开启 xformers，这是一个注意力优化库，能显著降低显存占用并提升速度。安装命令很简单，pip 装一下就行，ComfyUI 会自动检测并启用。我实测在同样的硬件上，开启 xformers 之后生成速度提升了大概百分之二十到三十。

pip install xformers

另一个技巧是使用 TensorRT 加速，不过这需要额外的配置步骤，而且对模型格式有要求，适合愿意折腾的进阶用户。对于大多数人来说，xformers 加上合理的参数设置就足够了。还有一点是关闭不必要的预览和日志输出，这些虽然不直接影响生成速度，但能减少界面卡顿，让操作更流畅。在设置里可以把预览质量调低，或者关掉实时预览。

6.2 模型管理与磁盘空间清理

用了一段时间之后，你会发现硬盘空间被模型吃得差不多了。一个主模型好几个 G，LoRA 虽然小但架不住数量多，再加上生成的图片和缓存文件，100GB 很快就满了。所以定期清理很有必要。首先是清理不再使用的模型，可以直接删掉，或者移到外置硬盘里归档。其次是清理缓存文件，ComfyUI 在运行过程中会产生一些临时文件，这些可以安全删除。

图片管理也是个问题。默认情况下生成的图片都堆在一个文件夹里，时间长了根本找不到想要的。建议按日期或者项目建子文件夹，每次生成的时候指定输出路径。或者用一些图片管理工具，给图片打标签、加评分，方便后续检索。我自己是每周整理一次，把满意的图挑出来单独存放，不满意的直接删掉，这样既省空间又不会让文件夹太乱。

6.3 工作流备份与迁移的实用方案

辛苦调好的工作流一定要备份，不然哪天系统崩了或者手滑删了，哭都来不及。备份的方式很简单，在 ComfyUI 界面里导出工作流 JSON 文件，存到云盘或者移动硬盘里。但要注意，JSON 文件只保存了节点和连线的结构，不包含模型文件。所以迁移到新机器的时候，除了导入工作流，还要把对应的模型也拷过去，并且保持相同的目录结构。

如果想把整个环境迁移到另一台电脑，最省事的方法是直接拷贝整个 ComfyUI 文件夹，包括虚拟环境和模型。但这样有个问题，虚拟环境里的路径是写死的，换机器之后可能用不了。所以更稳妥的做法是在新机器上重新部署，然后把模型和工作流拷过去。虽然麻烦一点，但不容易出问题。我一般会把模型清单记下来，包括文件名和下载来源，这样换机器的时候照着清单重新下载就行。

7. 我踩过的那些坑和最后的小建议

回头看这段折腾的经历，有几个坑印象特别深。第一个是路径里的中文，当时把 ComfyUI 放在了一个中文命名的文件夹里，结果各种莫名其妙的报错，排查了一整天才发现是路径问题。第二个是 PyTorch 装成了 CPU 版本，跑图慢得以为电脑坏了，后来用 torch.cuda.is_available() 一查才发现根本没用到显卡。第三个是自定义节点冲突，装了一个冷门节点之后整个界面都打不开了，最后只能清空 custom_nodes 重新来过。

这些坑其实都有共性，就是没有按规范来。路径用英文、装完 PyTorch 先验证、装节点前先备份，这三条如果一开始就做到，能省下大量时间。另外我想说的是，本地部署这件事没有想象中那么难，但也没有一键搞定那么简单。花一两个小时认真配一次，后面用起来就顺了。遇到报错不要慌，先看命令行输出的错误信息，大部分问题都能从里面找到线索。

最后分享一个小习惯：我会在 ComfyUI 根目录下放一个文本文件，记录每次改动的内容，比如装了什么节点、改了什么参数、遇到了什么问题怎么解决的。时间长了这就是一本自己的运维手册，下次再遇到同样的问题，翻一下就知道怎么处理了。这个习惯看起来不起眼，但真的能省很多事。