AI教程

ComfyUI本地部署完整教程：从零搭建AI绘图工作流平台

2026.05.24 | youres | 13次围观

为什么选择ComfyUI而非WebUI

接触Stable Diffusion绘图生态的开发者，几乎都会面临同一个选择题：用自动1111的WebUI，还是ComfyUI？两者各有千秋，但如果你追求的是工作流可复用性和节点式灵活编排，ComfyUI几乎是唯一答案。

WebUI的优势在于开箱即用，一个界面搞定大部分需求。但当你需要把"文生图→高清修复→ControlNet控制→批量出图"串成一条流水线时，WebUI的操作路径就变得繁琐且难以分享。ComfyUI用节点图的方式把这些步骤可视化，工作流导出就是一个JSON文件，发给别人就能直接复用——这种体验在做AI绘图批量生产时，差距非常明显。

更重要的是，ComfyUI的内存管理比WebUI优秀得多。在显存有限（比如8GB显卡）的条件下，ComfyUI能通过智能的模型卸载机制，跑WebUI跑不动的大模型工作流。这是很多实际用户从WebUI迁移过来的核心原因。

环境准备：硬件与软件清单

在开始安装之前，先确认你的硬件和软件环境是否达标。

硬件要求

配置项	最低要求	推荐配置
显卡	NVIDIA 4GB显存	NVIDIA 8GB+ 显存
内存	8GB	16GB+
硬盘	10GB可用空间	50GB+ SSD

注意：ComfyUI对AMD显卡的ROCm支持仍在完善中，如果你用的是AMD显卡，体验可能不够稳定，建议优先考虑NVIDIA方案。没有独立显卡也能跑CPU模式，但出图速度会慢到难以接受（单张图可能需要几分钟）。

软件依赖

Python 3.10.x（不要用3.11或3.12，部分依赖库尚未适配）
Git（用于克隆仓库和更新）
NVIDIA显卡驱动（建议更新到最新稳定版）
CUDA Toolkit 11.8或12.x（与PyTorch版本匹配）

一个容易踩的坑：很多人安装了CUDA但忘记匹配PyTorch版本。ComfyUI默认安装PyTorch CUDA 12.1，如果你的CUDA版本是11.8，后续可能出现奇怪的推理错误。最省心的做法是让Python的pip自动处理PyTorch安装，不要手动装CUDA Toolkit。

第一步：安装Python环境

前往Python官网下载3.10.x版本的安装包。安装时务必勾选"Add Python to PATH"，否则后续在命令行中会找不到python命令。

python --version
pip --version

确认输出类似以下内容即表示安装成功：

Python 3.10.11 pip 23.3.1

如果你之前系统里装过其他版本的Python，建议使用虚拟环境（venv）来隔离ComfyUI的依赖。虽然ComfyUI自带的启动脚本会处理venv创建，但提前了解这一点有助于排查问题。

第二步：克隆并安装ComfyUI

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

这一步会下载所有Python依赖包，包括PyTorch、torchvision等。如果你的网络环境访问GitHub速度较慢，可以考虑使用镜像源：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

首次安装完成后，强烈建议验证PyTorch是否正确识别到GPU：

python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"

输出应该是 True NVIDIA GeForce RTX xxx。如果输出 False，说明PyTorch没有正确安装CUDA版本，需要重新安装匹配的PyTorch。

第三步：下载模型文件

ComfyUI本身只是一个框架，出图需要配合Stable Diffusion模型。模型的存放路径有严格要求：

ComfyUI/
├── models/
│   ├── checkpoints/      # 大模型（SD1.5、SDXL、Flux等）
│   ├── loras/            # LoRA微调模型
│   ├── vae/              # VAE变分自编码器
│   ├── controlnet/       # ControlNet模型
│   └── clip/             # CLIP文本编码器

对于新手，推荐先下载一个SDXL基础模型，比如Stable Diffusion XL Base 1.0，约6.9GB。可以从HuggingFace或Civitai下载：

HuggingFace: stabilityai/stable-diffusion-xl-base-1.0
Civitai: 搜索SDXL模型并下载safetensors格式

下载后把safetensors文件放入 models/checkpoints/ 目录即可。如果你打算用Flux模型（目前质量最高的开源模型之一），需要额外安装FLUX.1-dev的GGUF或FP8量化版本以节省显存。

第四步：启动ComfyUI

python main.py

首次启动时，ComfyUI会自动下载CLIP和VAE的必要组件。启动成功后，打开浏览器访问：

http://127.0.0.1:8188

你会看到一个带有很多节点的工作流画布。默认加载的是一个基础文生图工作流，包含：Load Checkpoint（加载模型）、CLIP Text Encode（文本编码）、KSampler（采样器）、VAE Decode（解码）和Save Image（保存图片）。

在Prompt节点中输入你的描述文本，点击"Queue Prompt"按钮，就能开始生成图片。首次出图时会有模型加载的延迟，后续出图速度取决于你的显卡性能——8GB显存的RTX 3060出一张SDXL图大约需要10-15秒。

第五步：安装常用自定义节点

ComfyUI的强大之处在于丰富的自定义节点生态。以下是一些几乎必装的核心节点：

ComfyUI-Manager：节点管理器，提供一键安装和更新功能，是安装其他节点的前提
ComfyUI-Impact-Pack：提供人脸修复、皮肤细节增强等功能
ComfyUI-ControlNet-Aux：各种预处理器（深度图、边缘检测、姿态检测等）
ComfyUI-AnimateDiff-Evolved：AI视频/动画生成

安装ComfyUI-Manager的方法：

cd ComfyUI/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
cd ComfyUI
python main.py

安装完成后，ComfyUI界面会出现"Manager"按钮，之后所有节点都可以通过它一键安装，不需要再手动git clone。

工作流入门：创建你的第一个文生图

理解ComfyUI的关键在于理解数据流。每个节点有输入和输出端口，数据从左到右流动。一个典型的文生图流程：

Load Checkpoint：加载模型，输出MODEL、CLIP、VAE三个对象
CLIP Text Encode (Positive)：正向提示词编码，接收CLIP和prompt文本
CLIP Text Encode (Negative)：负向提示词编码
Empty Latent Image：生成空白潜空间图像，设定分辨率
KSampler：核心采样节点，接收模型、正负编码、潜空间图，进行去噪
VAE Decode：将潜空间结果解码为像素图像
Save Image：保存到本地

SDXL推荐使用 DPM++ 2M Karras 采样器，步数25-30步，CFG Scale 7左右。这些参数在KSampler节点中设置。提示词方面，SDXL不需要像SD1.5那样写大量质量标签（如"masterpiece, best quality"），直接描述你想要的内容即可。

进阶技巧：优化出图质量与速度

经过大量实践，以下几个技巧对提升ComfyUI出图效果帮助最大：

1. 使用两阶段采样（High-res Fix）

先生成低分辨率图像，再通过放大模型（如Ultimate SD Upscale）放大并补充细节。这种方法比直接生成高分辨率图像效率更高，细节也更丰富。推荐流程：先在768x768分辨率下生成，再用4x-UltraSharp放大器提升到3072x3072。

2. LoRA组合使用

多个LoRA可以叠加使用来控制风格。比如同时加载一个"写实风格"LoRA和一个"特定艺术家风格"LoRA，权重分别设为0.7和0.5。注意总权重不要超过1.5，否则可能出现颜色偏移或伪影。

3. ControlNet精准控制构图

如果你需要精确控制人物姿势或画面构图，ControlNet是最佳选择。常用场景包括：用Canny边缘检测保持线稿结构，用Depth深度图控制空间关系，用OpenPose控制人物动作。安装ComfyUI-ControlNet-Aux后，所有预处理器都可以作为节点直接使用。

4. Tiled VAE节省显存

生成4K以上高分辨率图像时，普通VAE解码会直接爆显存。启用Tiled VAE可以将解码过程分块进行，8GB显存也能流畅处理大图。在VAE Decode节点中切换为VAE Decode (Tiled)即可。

常见问题排查

整理了新手最常遇到的几个问题及解决方案：

问题	原因	解决方案
出图全黑	模型与VAE不匹配	使用配套的VAE或加载SDXL内置VAE
CUDA out of memory	显存不足	降低分辨率、使用FP8模型、开启Tiled VAE
节点报红	自定义节点缺失	通过Manager安装缺失节点
出图速度极慢	CPU模式运行	检查PyTorch是否安装CUDA版本
中文提示词无效	CLIP不支持中文	使用翻译节点或中文CLIP模型

写在最后

ComfyUI的学习曲线确实比WebUI陡峭一些，但一旦掌握了节点式工作流的设计逻辑，你会发现它的上限远高于WebUI。尤其是当你需要批量生成、自动化工作流或与他人协作时，ComfyUI的JSON工作流格式让一切变得标准化和可复现。

如果你正在从Midjourney或DALL-E转向本地部署方案，ComfyUI配合SDXL或Flux模型，已经能在大多数场景下达到商业级出图质量。关键是找到适合你工作流的好模型和好LoRA——这些资源在Civitai社区非常丰富。

相关阅读：AI操作手机实战教程、Dify本地部署教程、MCP搭建AI智能体教程

版权声明

本文仅代表个人观点。
本文系AI辅助作者原创，未经许可，转载请保留原文链接。