企业官网建设流程全解析

ComfyUI 这个名字，这两年在做图圈子里出现的频率已经高到没法忽视了。它是目前最主流的节点式 Stable Diffusion 前端之一：把原来一堆藏在滑块和输入框后面的参数，全部摊开成一个个可以拖拽、可以连线的节点，采样器、CLIP、VAE、ControlNet 各管一段，数据从哪来、到哪去，一眼能看明白。缺点也很直接：官方只发一个不带任何预装环境的原始包，Python、显卡驱动、依赖库、模型目录，全得自己搭。这篇就聊原生版安装这条路，从环境准备到第一次出图，一步步走完。适合完全没碰过命令行的小白，也适合被整合包更新慢、出问题不知道怎么查的人。

1. 为什么我建议从原生包开始折腾

1.1 节点式工作流到底解决的是什么问题

先说清楚 ComfyUI 是个什么东西，不然装完了也是一脸懵。传统 WebUI 那种界面，本质是把一条固定管线包装成表单：你填提示词、设步数、选模型，后台按写死的顺序跑一遍。想在中途插一手，比如先放大再局部重绘、或者让两个模型分别出图再混合，就得靠插件打补丁，而且很多时候补丁之间还会打架。

ComfyUI 换了个思路，它不做表单，它做图。每个处理环节都是一个节点，节点有输入接口和输出接口，你把线连起来，就定义了一条数据流。加载模型是一个节点，编码提示词是一个节点，采样是一个节点，VAE 解码是另一个节点。想加个中间环节？插一个节点进去，连线改一下就行，不用等谁给你写插件。这个设计的好处是可解释、可复用、可存档：整条流程能导出成一个 JSON，别人拿到文件，模型放对位置，一键就能跑出完全一样的管线。

代价就是学习曲线。第一次打开那个灰扑扑的画布，只有右键菜单和一堆连线，确实会懵。但真正理解了“数据往哪流”这件事之后，你会发现它的自由度反而是它最值钱的地方。所以安装这件事，我的态度是：别怕动手，装一次比看十篇教程管用。

1.2 原生包、整合包、线上版该怎么选

现在常见的三种上车方式，各有各的适用人群，我按自己的使用经验列个对照，你可以对号入座。

我推荐原生包的核心理由不是“显得专业”，而是出问题之后能查。整合包最大的坑在于环境是别人封装好的，报错信息里那些路径你根本对不上，装个需要编译的插件可能直接崩，而你连 Python 装在哪都不知道。原生包虽然要自己装一遍，但每一个目录、每一个虚拟环境你都心里有数，报错的时候能顺着线索往下摸。

当然也不是说整合包一无是处。如果你只是想在周末出几张图发朋友圈，没必要折腾这一套，直接下载别人打包好的版本就行。这篇文章面向的是打算把这件事长期做下去的人。

1.3 装之前先想清楚：你的机器扛不扛得住

这一段可能有点扫兴，但必须提前说。ComfyUI 本身很轻，几 MB 的代码，跑不动的原因九成在显卡。

判断标准很朴素：显存决定你能跑多大的图和多复杂的管线。用常见的 SD1.5（512×512 基准分辨率）出图，6GB 显存就够起步；用 SDXL 那一档的模型跑 1024×1024，8GB 会比较从容，12GB 以上才谈得上舒服；如果还要叠 ControlNet、放大模型、视频生成这类重活，显存消耗是翻着倍往上走的。

显存不够也不是完全不能玩，启动时加--lowvram或者--medvram参数，能把一部分计算挪到内存里，代价是速度明显变慢。极端情况下还有--cpu参数，纯 CPU 跑，一张图等几分钟到十几分钟，属于能跑但不建议日常用的范畴。

硬盘方面，模型文件是大头。一个 SD1.5 底模两三个 G，SDXL 底模六七个 G，再加 VAE、LoRA、ControlNet，起步预留 50GB 比较稳妥。固态硬盘强烈建议，模型加载速度差距非常明显。

提示：笔记本用户注意，双显卡切换的机型有时会默认用核显跑，导致报错说找不到设备，这种情况要在系统设置里把 Python 指定到独立显卡上。

2. 装之前先摸清家底：环境清单与版本逻辑

2.1 硬件与系统的底线要求

系统层面，Windows 10/11 六十四位是最省心的选择，Linux 用户基本不会遇到什么障碍，macOS 走 MPS 后端也能跑，只是生态里很多插件优先适配的是另一套环境，踩坑概率略高。

显卡驱动这块，我建议先更新到较新的版本再动手。原因很简单：ComfyUI 依赖的深度学习框架需要调用显卡的通用计算接口，驱动太老会导致框架装上了也调不动，表现出来就是启动日志里一句“CUDA 不可用”，然后所有计算默默退回 CPU，你还以为是电脑太慢。

检查方法很直接，打开命令行敲一条：

nvidia-smi

能看到一张表格，右上角写着你当前的驱动版本和支持的 CUDA 版本上限。把这两个数字记下来，下一步选框架版本的时候要用。如果这条命令提示找不到，八成是驱动没装或者没装对，先去显卡厂商那边把驱动补上，别急着往下走。

2.2 Python 版本为什么是踩坑重灾区

这是整个安装流程里我最想强调的一节。ComfyUI 需要一个特定的 Python 版本，而这个版本选错了，后面会连环崩。

先说结论：优先 3.10 或 3.11，别用太新的版本。Python 3.12 及以上虽然语言层面没问题，但深度学习生态里大量依赖需要预编译的二进制包，新版本 Python 的预编译包往往要等一段时间才跟上。你可能会遇到那种最烦人的报错——某个包在源码编译阶段卡住，然后吐出一大屏红色文字，最后告诉你“需要安装构建工具”。对新手来说这基本就是劝退点。

还有一个高频事故：电脑上装了多个 Python，命令行里敲python --version显示的是 3.13，你以为万事大吉，结果 ComfyUI 实际调用的是另一个。所以在创建虚拟环境之前，一定要确认版本号，而且要用绝对路径去调用，不要依赖环境变量里的默认指向。

# 先确认版本 python --version # 或者明确指定解释器 C:\Python311\python.exe --version

Windows 用户安装 Python 时，那个“Add Python to PATH”的勾选框建议勾上，虽然我会在后面的步骤里用绝对路径规避它，但勾上能省不少事。

2.3 Git、编译工具和目录规范

Git 的作用是把项目源码拉到本地，也是后续更新的主要手段。Windows 装 Git 一路下一步就行，装完在命令行敲git --version有输出就算成。

编译工具属于“不一定会用上，但用上了没装会很痛”的东西。后面装某些插件时，如果它依赖的包没有现成的预编译版本，pip 就会尝试本地编译，这时候没有编译器就会失败。Windows 上装一下微软官方的 C++ 生成工具（选“使用 C++ 的桌面开发”那一项）可以一劳永逸，装它要占用几个 G 的空间，但能省下未来无数次折腾。

目录规范这一条是我踩过坑之后的血泪总结：整个安装路径里不要出现中文、空格和特殊符号。像D:\我的AI\ComfyUI 安装这种路径，看着挺清楚，实际上很多底层库对非 ASCII 路径的支持是有问题的，表现出来往往是加载模型时报“文件不存在”，可你明明看见文件就在那。我一般会建一个干净的路径，比如D:\AI\ComfyUI，简单直接。

再顺手把存放模型的盘符规划一下。项目本身不大，但模型目录会越来越膨胀，把它放在容量充足的盘上，后续扩容也方便。

3. 原生包安装全流程实操

3.1 获取源码与目录规划

官方提供两种获取方式。第一种是直接下载压缩包解压，好处是简单，坏处是后续更新只能重新下；第二种是用 Git 克隆，好处是一条命令就能更新，坏处是需要先装 Git。我选第二种。

# 进入你规划的目录 cd /d D:\AI # 从项目官方仓库克隆（地址以项目页面公布的为准） git clone <官方仓库地址> ComfyUI cd ComfyUI

克隆下来之后，用dir（Windows）或ls（Linux/macOS）看一眼目录结构，你会看到main.py、requirements.txt、comfy、comfy_extras、models、custom_nodes这几个关键项。确认main.py在，说明源码完整。

这里补充一个概念：官方还发布过 Windows 免配置的便携版，解压就能跑，内部自带了一个精简的 Python 环境。它确实方便，但那个内置环境是封闭的，你想升级某个库、想装需要特定版本的插件，就会非常别扭。原生安装的意义就在于这个环境是你自己的。

注意：不要图省事把项目文件夹放在系统盘的用户目录下，一是空间容易被模型撑爆，二是某些系统级的权限保护会让写入失败，表现为保存图片时报错。

3.2 创建独立虚拟环境

这一步是很多人跳过的，但我强烈建议做。虚拟环境的作用是把 ComfyUI 的依赖和系统里其他 Python 项目隔离开，各玩各的，互不污染。

# 在项目根目录下创建虚拟环境，命名为 venv python -m venv venv # Windows 激活 venv\Scripts\activate # Linux / macOS 激活 source venv/bin/activate

激活成功的标志是命令行前面多了一对括号，显示(venv)。这个时候再敲python --version，输出的就是虚拟环境里的解释器，跟系统全局的隔离开了。

为什么值得多这一步？因为 ComfyUI 的依赖树挺深的，而且插件开发者经常要求特定版本的某个库。没有虚拟环境的话，你装 A 插件顺手升级了一个包，B 插件可能当场就废了，排查起来毫无头绪。有了虚拟环境，最坏的情况也就是把venv文件夹删掉重建，十分钟的事。

顺便说一句，激活状态只对当前这个命令行窗口有效，关掉重开就要重新激活一次。这也是后面我要写启动脚本的原因之一。

3.3 安装 PyTorch 与项目依赖

这是整个安装的核心环节，也是最容易出错的地方。

先说框架版本怎么选。要把两件事对上：你的驱动支持到哪一档 CUDA，以及你要用哪个版本的框架。上一步用nvidia-smi查到的那个版本号，是驱动能支持的上限，你装的计算版本不能超过它。比如驱动显示支持到 12.1，那你装 cu121 或 cu118 都没问题，装 cu124 就大概率报错。

一步到位的做法是先只装框架，装完立刻验证：

# 以 cu121 为例，具体可选版本以框架官方提供的索引为准 pip install torch torchvision torchaudio --index-url <对应版本的索引地址>

装完之后必须验证，别装完就直接往下走。验证命令就三行：

import torch print(torch.__version__) print(torch.cuda.is_available())

第三行输出True才算真的装到位。如果输出False，别急着继续，先解决这个。常见原因有两个：装成了纯 CPU 版本（版本号里没有 cu 字样）；或者驱动版本太低，框架识别不到设备。前者重装带 cu 标记的版本，后者去更新驱动。

框架没问题了，再装项目依赖：

pip install -r requirements.txt

这一条命令会拉一堆库下来，包括图像处理、模型加载、界面相关的各种包。过程中如果出现红色报错，先别慌，看最后几行。如果提示某个包“Failed building wheel”，说明缺编译工具，回去把第 2.3 节那一步补上。如果提示版本冲突，记下冲突的两个包名，单独指定版本装。

还有一个提速技巧：默认的包索引在某些时段速度会比较感人，可以临时换成速度更快的镜像源，装完依赖再换回来。这个操作只影响下载速度，不影响装出来的东西。

3.4 写一个双击就能启动的脚本

装完之后每次用都要开命令行、激活环境、敲启动命令，太啰嗦了。写个批处理脚本一劳永逸。

在项目根目录新建一个文本文件，改名为启动.bat（或者英文名，避免编码问题），内容大致是这样：

@echo off cd /d %~dp0 call venv\Scripts\activate python main.py --preview-method auto pause

逐行解释一下，因为这几行里每一行都有用：

• cd /d %~dp0把工作目录切到脚本所在的文件夹，这样不管从哪里双击都能正确启动，顺便解决了“手滑在错误的目录下执行”的问题。
• call venv\Scripts\activate激活虚拟环境。这里必须用call，直接写会让批处理在激活后就中断。
• --preview-method auto是开启采样过程预览，能边跑边看到图逐渐成型，调试的时候特别有用。
• pause让窗口在程序退出后停住，不然闪一下就没，报错信息根本来不及看。

Linux 或 macOS 用户写个start.sh，内容对应：

#!/bin/bash cd "$(dirname "$0")" source venv/bin/activate python main.py --preview-method auto

记得给执行权限chmod +x start.sh。

启动成功后，命令行最后会打印一个本地地址，默认是127.0.0.1:8188，复制到浏览器打开就能看到那个灰色大画布了。如果 8188 端口被别的程序占了，启动会失败，加--port 8189换一个就行。

3.5 模型文件该放哪：目录对照表

界面能打开了，但没模型照样出不了图。ComfyUI 对文件位置的要求很严格，放错地方界面的下拉框里就是空的。

几个实操中的细节值得说：

文件优先选.safetensors格式，它比老的.ckpt更安全，加载时不会执行代码。文件名建议用英文和数字，别用中文，有些加载逻辑在遇到非 ASCII 文件名时会出岔子。放好文件后不用重启，在界面上点一下刷新按钮，或者按 R 键，列表就会更新。

模型体积大，千万别重复存好几份。如果你之前在别的工具里已经下过一批模型，可以直接把整个models目录搬过来，或者建立符号链接指向原位置，省硬盘。Windows 上建符号链接需要管理员权限，命令是mklink /D 目标 源，方向别搞反了。

注意：VAE 这一项经常被忽略。有些底模是内置 VAE 的，有些不是，不含 VAE 的底模跑出来画面会明显发灰发白。遇到这个现象，先去检查是不是缺 VAE，别一上来就怀疑参数。

4. 第一次跑通：从空白画布到出图

4.1 界面交互的基本功

第一次打开画布，你会看到一个可以无限拖动的灰色空间，默认已经摆了一个“Load Checkpoint”节点。别急着右键乱点，先掌握四个基本操作：

平移：按住空格或者鼠标中键拖动。缩放：滚轮。添加节点：在空白处双击或者右键，会弹出带搜索框的菜单，输入关键词就能过滤。连线：从一个节点右侧的小圆点拖到另一个节点左侧的对应圆点，颜色对不上的接口连不上，这是个很直观的防错设计。

所有节点都可以拖动、可以折叠、可以复制。选中一批节点按Ctrl+C、Ctrl+V能整块复制，做多分支对比的时候很有用。还有一个我天天用的快捷键：选中某个节点后按Ctrl+M可以暂时静音它，调试的时候不用把线拆了重连，比删了再补快得多。

管理多条工作流的时候，用右侧面板的保存功能存成文件，下次直接拖进画布就恢复了。这个 JSON 就是你的“流程资产”，比截图有用一百倍，因为它是可执行的。

4.2 搭一条最简出图链路

不用背，直接调用内置范例最快。在画布上双击，搜索Load Default，或者在菜单里加载默认工作流，出来一条从加载模型到保存图片的完整链路。这条链路的结构是：

Load Checkpoint（加载底模）→ 分出两路，一路进CLIP Text Encode（正向提示词）和另一路（反向提示词）→ 两路提示词和底模一起进KSampler（采样器）→ 输出进VAE Decode（解码成图）→Save Image（保存）。

连线的时候注意 KSampler 有几个关键输入：model接底模输出的模型，positive接正向提示词编码，negative接反向，latent_image接一个空 Latent。空 Latent 节点需要你自己加，搜索Empty Latent Image，里面填分辨率和批次。512×512 是最稳的起步尺寸，因为大多数底模都是按这个尺寸训练的。

KSampler 里的参数，第一张图建议这样设：

denoise这个参数是新手最容易搞错的。从零开始出图时它必须是 1.0，表示完全重绘；只有做图生图、放大这类“基于已有图像”的流程时，才把它调低。看到别人说“0.5 重绘”就跟着改，然后发现出来的图糊成一团，问题就出在这。

点右侧的 Queue Prompt 按钮（或者按Ctrl+Enter），命令行窗口开始滚动日志，画布上的节点会依次亮起表示正在执行。第一次跑会慢一些，因为模型要从硬盘加载进显存。

4.3 盯着显存看：什么时候该紧张

第一次跑通之后，建议打开任务管理器看一眼显存占用，这个数字会成为你后面所有参数调整的依据。

我的经验值是：出 512×512 的图，占用在 3-5GB 波动；出 1024×1024，8GB 显存的卡会跑到 7GB 以上，接近天花板；一旦叠了 ControlNet，再往上加 2-3GB 很正常。如果显存占用贴着上限跑，你会听到风扇狂转，然后要么报“显存不足”，要么整台机器卡死。

几个缓解手段，按效果排序：

第一，降分辨率。1024 降到 768，显存占用能掉一大截，这是最直接的办法。第二，加启动参数--lowvram，让框架更积极地释放不用的模型块。第三，用--medvram折中一下，速度损失没那么大。第四，把批次大小从 4 降到 1，出图数量少了但单张更稳。

还有一个容易被忽略的点：ComfyUI 会把模型缓存在显存里以便快速复用，如果你频繁切换不同底模，缓存可能越堆越多。启动参数里加--disable-smart-memory可以让它更激进地清理，代价是切换模型后首次出图变慢。这个参数在显存紧张的时候很好用。

5. 报错排查实录：这些坑我都踩过

5.1 依赖与环境类问题速查

装依赖这关是最容易卡住新手的，我整理了一张对照表，覆盖大部分高频情况。

No module named这一类，九成是“以为在虚拟环境里其实不在”。判断方法很简单，看命令行前面有没有(venv)。没有的话，你装的包进了全局环境，项目自然找不到。

版本冲突这类问题更麻烦一些。我的处理原则是：先保证 ComfyUI 主程序能跑，再去装插件。顺序反过来的话，插件引入的依赖可能把主程序需要的东西降级掉。真遇到死锁，把venv删了重建，重装一遍主程序依赖，往往比一点点拆解冲突更快。

5.2 显卡相关报错的处理思路

启动日志里出现Torch not compiled with CUDA enabled，说明装的是 CPU 版本框架，重装带 cu 标记的版本即可。出现CUDA out of memory，就是显存真的不够，参考 4.3 节的手段。

还有一种情况是设备能找到，但跑起来异常慢，出图时间比预期长好几倍。这时候检查一下日志开头有没有打印设备名称，如果显示的是 CPU 而不是显卡型号，说明框架在用 CPU 算。原因可能是驱动版本太老，也可能是装了不匹配的计算版本。

驱动版本这件事，我的建议是保持在一个较新但稳定的版本上，别追最新。最新的驱动偶尔会有兼容性问题，而你很难第一时间联想到是驱动惹的祸。

5.3 那些看起来不像问题的问题

有几类“故障”其实不是故障，新手容易误判。

启动特别慢，卡在导入阶段十几秒：正常现象，框架初始化要加载大量的库和算子，机械硬盘上更明显。放固态盘能改善。

界面能打开但出图按钮点了没反应：看命令行窗口，出图日志是在命令行里滚的，界面上看不到进度很正常。

保存的图片找不到：默认存在项目目录下的output文件夹，按日期分子目录。如果你改过启动参数里的输出路径，去那找。

杀毒软件报毒然后文件被删：深度学习框架的某些二进制文件容易被误判。真遇到了，把项目目录加到信任列表，别直接关掉防护。

浏览器打开是白屏：可能是浏览器缓存，也可能是端口填错。换个浏览器或者开无痕窗口试试，能快速排除。

6. 装完之后：更新、插件与备份

6.1 更新的正确姿势

原生包的优势这时候体现出来了。更新就两步：

git pull pip install -r requirements.txt

第二条命令不能省。项目更新时经常会引入新的依赖，只拉代码不装依赖，启动时报个No module named你还以为是更新坏了。

但这里有个必须提醒的风险：如果你已经装了一堆插件，git pull之后主程序跑不起来是常有的事，因为插件可能还没适配新版本。我的习惯是更新前先把整个项目文件夹复制一份备份，出问题直接回滚，比一行行排查快得多。

如果是那种需要回退到某个旧版本的情况，可以用git log看提交记录，git checkout <提交号>切回去，然后再装一遍那次的依赖。

6.2 插件管理：别一次装一堆

自定义节点是这个生态最活跃的部分，也是环境最容易崩的地方。我的建议是一次只装一个，装完立刻重启验证。一次装十个，出问题的时候你根本不知道是哪个惹的祸。

插件安装方式通常是进custom_nodes目录，用 git 克隆下来，然后回到主目录执行pip install -r <插件目录>/requirements.txt。很多人漏掉后一步，结果插件在界面里出现了，点下去就报缺模块。

真要装插件，社区里有个管理器类的扩展能省不少事，它把安装、更新、依赖处理做成了图形化操作。但我还是会提醒一句：这类管理器在批量更新时容易把环境搞乱，日常用的时候尽量手动单个操作。

6.3 备份什么、怎么备份

这件事我吃过亏，所以单独说。需要备份的东西按重要性排：

第一是工作流 JSON，这是你花了时间调出来的管线，丢了最心疼，而且文件很小，多存几个地方没成本。第二是模型文件，尤其那些难找的，重新下可能要好几天。第三是custom_nodes目录，插件配置都在里面。第四才是主程序本身，那个随时能重新拉。

我自己的做法是把models目录和output目录放在一个固定的位置，定期整体复制到另一块盘。项目本身反倒是轻量备份，更新前复制一个文件夹就够了。这样即使哪天环境彻底搞崩，重装半小时就能恢复，模型一个都不用重下。

另外提醒一句，output目录会随着使用无限膨胀，出图多了动辄几十个 G。定期清理不需要的图片，或者把它指向一个容量更大的盘，能省不少麻烦。我一般会在启动参数里把输出路径固定下来，免得哪天忘了清理把主盘塞满。

最后分享一个我个人的习惯：装完之后的第一件事，是把那几条验证命令（Python 版本、torch 版本、CUDA 是否可用）记在一个 txt 里放在项目根目录。以后不管换了机器还是隔了半年再回来，照着敲一遍，三十秒就能判断环境是不是还正常，比凭记忆猜可靠得多。