企业官网建设流程全解析

想在本地跑一套 AI 生图模型，ComfyUI 是很值得花时间研究的工具。以前只是照着网上视频一通复制粘贴，做完不知道怎么修改；后面自己从源码、模型目录、节点图到报错排查走了一遍，才慢慢把“能用”和“会调”之间的差距补上。

这篇文章会围绕 ComfyUI 本地部署做一次完整梳理，覆盖环境准备、安装启动、模型下载与目录放置、默认工作流跑图、LoRA/ControlNet 扩展、常见报错定位，以及一些适合长期维护的工程建议。无论是刚接触 AI 绘图的入门玩家，还是已经在用 WebUI、想转向 ComfyUI 的开发者，都可以直接参考这条路径。

1. ComfyUI 是什么，为什么要本地部署 AI 生图模型

1.1 从“文生图”到“AI 绘图工具链”

平时我们常说的 AI 生图模型，本质上是根据文本描述生成图像的一类深度学习模型。以前想体验这类模型，大多数时候需要依赖在线服务：填一段提示词，等在线平台返回结果。在线服务的优点是上手快，但缺点也比较明显：按次计费、排队等待、分辨率受限、不能深度定制底层参数。

本地部署 AI 生图模型，就是把模型下载到自己的电脑上，再用本地推理工具运行。Stable Diffusion 生态里有两套非常主流的前端：

• Stable Diffusion WebUI界面化程度高，适合写提示词、调参数、做基础图。
• ComfyUI采用节点式工作流设计，所有处理步骤都可视化为“节点气泡”，节点之间通过连线组合成完整流程。

ComfyUI 看起来不像普通软件界面，更像是一张流程图。它的核心优势在于灵活：同一个模型可以接不同采样器，可以同时跑多种 ControlNet 控制条件，也方便加入批量处理、视频生成等更复杂的自定义流程。

1.2 本地部署 ComfyUI 解决了什么问题

本地部署带来的直接好处有三个。

第一，隐私可控。图片描述和生成的图像只在自己的电脑上流转，不需要上传到第三方服务器。

第二，长线成本低。显卡性能足够的情况下，可以无限次生成，不需要按次付费。

第三，调试空间大。ComfyUI 的每个节点都能拆开看，很多生成过程中的中间状态可以显式保存和传递，这让调参、改流程、复现实验结果变得特别方便。

如果你之前画图时总是遇到“在线平台结果不可控”“没法精确调整某一步流程”的痛点，ComfyUI 值得花时间搭起来。

1.3 先认识几个高频关键词

在进入部署步骤前，先熟悉几个会反复出现的术语：

实际部署时，这几种文件并非每次都要手动处理。ComfyUI 默认会通过 Checkpoint 自动加载对应的 VAE 和 CLIP，但如果你使用二次元模型或者经过融合的模型，可能需要手动指定 VAE。后面会详细讲到目录放置规则。

2. 环境准备与版本说明

本地部署 ComfyUI 是一个偏工程化的过程。先把环境整理干净，后面会节省大量排错时间。

2.1 硬件与驱动前提

ComfyUI 的推理过程严重依赖 GPU，NVIDIA 显卡是当前最省心的选择。如果你使用的是 AMD 显卡、Intel 显卡或 Apple Silicon Mac，启动参数和依赖会有差异，这篇文章仅以 Windows 下 NVIDIA 显卡作为主要示例场景。

配置方面可以参考以下梯度：

• 最低可跑入门图（SD 1.5）：NVIDIA GTX 1060 6GB 或同级，显存 6GB 左右。
• 基础流畅（SDXL）：NVIDIA RTX 3060 12GB 或同级，能比较舒服地生成 1024x1024 图片。
• 进阶玩法（ControlNet + 大 batch）：RTX 4070 / 4080 及以上，16GB 以上显存体验更好。

需要提前装好对应版本的 NVIDIA 驱动。如果驱动太老，PyTorch 可能无法调用 CUDA。

检查驱动是否正常的常用命令：

nvidia-smi

该命令会输出显卡型号、驱动版本、显存占用等信息。如果提示找不到命令，说明驱动没有正确安装，或者没有加入 PATH。

2.2 需要提前安装的软件

如果是手动源码安装，需要准备：

• Git
• Python 3.10 / 3.11 / 3.12，推荐用较新的稳定版本
• 一个代码编辑器，推荐 VS Code

打开终端，逐个确认：

git --version python --version

如果 Python 版本过于陈旧，建议安装到 Python 3.11 左右。ComfyUI 的依赖生态会跟随 PyTorch 版本变化，太老的 Python 会卡在依赖编译阶段。

2.3 官方源码部署还是整合包

现在中文社区里常见两类安装方式：

• 纯手动源码部署
• 第三方整合包，例如“秋叶整合包”等

两者并不冲突。手动部署能看清底层结构，便于理解模型目录、依赖安装、日志输出；整合包适合快速启动，把 Python 环境和 Git 仓库都提前准备好，开箱即用。

如果你之前完全没接触过 ComfyUI，第一次体验使用成熟的整合包成本更低。但看教程时要注意一点：整合包版本可能比你当前下载的版本旧，教程里的界面选项和默认节点可能有差异。对于想长期学习节点图的读者，我更建议至少走一遍手动源码部署，再决定是否换回整合包。

3. 本地部署的三种常见方式

ComfyUI 本身的部署复杂度并不可怕，核心就是把 Python 环境配置好，再把模型文件放到正确位置。下面分别介绍手动源码部署、启动参数、整合包选择。

3.1 手动源码部署完整命令

打开终端，进入希望存放项目的目录，例如：

cd D:\AI

克隆 ComfyUI 官方仓库：

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

创建虚拟环境。直接在系统全局 Python 里安装依赖，容易污染其他项目，这里建议始终用虚拟环境：

python -m venv venv

Windows 下激活虚拟环境：

.\venv\Scripts\activate

Linux / macOS 下激活方式则稍有不同：

source venv/bin/activate

激活后，终端前缀一般会出现(venv)。

ComfyUI 的核心深度学习框架是 PyTorch。安装时一定要选择包含 CUDA 支持的版本。如果直接使用默认的 PyTorch 源，很可能会装成 CPU 版，导致后续完全无法用显卡推理。

以 CUDA 12.1 为例，安装指令如下：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

不同的 PyTorch 版本对应不同 CUDA 小版本，以 PyTorch 官网给出的最新命令为准。安装完成后，检查是否真的启用了 CUDA：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

如果输出True，说明显卡调用成功。

接着按仓库内的依赖清单安装：

pip install -r requirements.txt

启动 ComfyUI：

python main.py

启动成功后，终端会打印本地访问地址。默认情况下是：

http://127.0.0.1:8188

浏览器打开该地址，看到节点编辑界面，说明安装已经完成。

3.2 常用启动参数说明

ComfyUI 默认启动时只监听本机 8188 端口，也未必会最大化利用显卡。根据不同需求和硬件情况，可以加启动参数。

常见完整启动示例：

python main.py --auto-launch --port 8188 --lowvram

• --auto-launch：启动成功后自动打开浏览器。
• --port：指定访问端口。
• --lowvram：低显存模式，适合显卡显存不够的情况。
• --medvram：中等显存模式。
• --listen：允许局域网内其他设备访问，示例：--listen 0.0.0.0。
• --disable-auto-launch：禁止自动打开浏览器。

--lowvram和--medvram并不能把 6GB 显存变成 24GB，它们只是让模型权重按需加载，减少显存峰值。如果你的显卡只有 8GB 显存，建议从默认模式开始测试，如果出现显存溢出，再依次尝试--medvram和--lowvram。

3.3 集成包的适用场景

“秋叶整合包”这类第三方工具的典型特点是：

• 自带 Python 便携环境
• 预装 ComfyUI 本体
• 一次性配置好常见依赖
• 自带模型目录管理和启动器界面

这对刚了解 ComfyUI 的新手来说很省力。但使用整合包需要注意版本来源，尽量选择更新频繁、社区口碑好的整合包。不要盲目下载渠道未知的模型包和插件包，运行前用杀毒软件查一遍更稳妥。

4. 模型文件下载与目录放置

ComfyUI 本身不会自带生图模型。安装完成后，还需要自己下载模型文件并放到正确目录。

4.1 ComfyUI 模型目录结构

在 ComfyUI 根目录下，有一个models文件夹，里面会按模型种类拆分子目录：

D:\AI\ComfyUI\models ├── checkpoints ├── clip ├── clip_vision ├── configs ├── controlnet ├── diffusers ├── embeddings ├── gligen ├── hypernetworks ├── loras ├── photomaker ├── style_models ├── unet ├── vae └── vae_approx

实际用到最多的是：

• checkpoints：存放主模型，即 Checkpoint。
• loras：存放 LoRA 模型。
• vae：存放独立 VAE 模型。
• controlnet：存放 ControlNet 模型。
• embeddings：存放负面 embeddings 或自定义 word 向量。

从网上下载.safetensors或.ckpt文件后，如果你不确定该放到哪个目录，先看文件名和页面描述。Checkpoint 通常体积巨大，常见在 2GB 到 7GB 之间；LoRA 和 embedding 通常只有几十到几百 MB。

4.2 模型文件格式说明

早期很多模型使用.ckpt格式，后来社区逐步迁移到.safetensors。两种文件在 ComfyUI 中都能加载。

.safetensors是更安全的序列化格式，不包含可执行代码，加载速度也更快。能选.safetensors就尽量不选.ckpt。

下载模型时请尽量保留页面下提供的示例图、触发词、采样器建议、步数建议等信息。这些不是装饰性内容，而是模型作者已经跑过大量测试后给出的最佳参数。不同模型的推荐参数差异很大，硬套一套参数往往效果并不理想。

4.3 示例：放置一个基础 Checkpoint

假设你下载了一个基础模型文件，叫：

sdxl_base_model.safetensors

请把它复制到：

D:\AI\ComfyUI\models\checkpoints\sdxl_base_model.safetensors

重启 ComfyUI 后，在 Checkpoint 加载器节点的列表里通常就能看到这个名字。

如果没有看到新模型，优先检查：

1. 文件是否放到了checkpoints目录
2. 文件名后缀是否完整
3. ComfyUI 是否还开着，模型列表一般启动时加载一次，新增文件需要刷新

5. 跑通第一张图：ComfyUI 基础工作流

ComfyUI 的界面初看不太好懂，但核心逻辑其实很清晰。无论多复杂的工作流，都会包含“加载模型 -> 处理文本 -> 采样生成 -> 解码保存”几个环节。

5.1 默认工作流里的节点

启动 ComfyUI 后，如果画布是空白的，一般可以先点击界面菜单里的Load Default，载入一段默认工作流。

默认工作流通常包含这些核心节点：

• CheckpointLoaderSimple：加载 Checkpoint 主模型，同时暴露 MODEL、CLIP、VAE 三个输出。
• CLIPTextEncode：用正向提示词生成文本条件。
• CLIPTextEncode：用负向提示词生成文本条件。
• EmptyLatentImage：初始化一张空白潜空间图像。
• KSampler：执行采样去噪，是真正决定图像质量的核心节点。
• VAEDecode：把潜空间图像解码为像素空间图像。
• SaveImage：保存图像到输出目录。

直观理解的话，可以把 Checkpoint 看成画师，把 CLIPTextEncode 看成画师收到的画作要求，把 KSampler 看成反复修改草稿的过程。VAEDecode 则相当于把最终草稿清晰印刷出来。

5.2 节点连线结构

ComfyUI 是基于连线驱动的。每个节点右侧是输出端口，左侧是输入端口。一根连线代表一个中间结果在节点之间传递。

从加载器出发，典型的连线关系如下：

• CheckpointLoaderSimple 的MODEL输出连到 KSampler 的model输入
• CheckpointLoaderSimple 的CLIP输出连接到两个 CLIPTextEncode
• CLIPTextEncode 的输出分别连到 KSampler 的positive和negative
• CheckpointLoaderSimple 的VAE输出连到 VAEDecode
• EmptyLatentImage 输出连到 KSampler 的latent_image
• KSampler 的LATENT输出连到 VAEDecode
• VAEDecode 的IMAGE输出连到 SaveImage

新手最容易犯的错误是只连线“看着相关的端口”，却忽略了数据类型差异。ComfyUI 端口颜色可以帮你判断：MODEL、CLIP、VAE、LATENT、IMAGE 各代表不同类型，不能混接。

5.3 填写正向提示词与负向提示词

在正向提示词节点里输入：

a cute astronaut cat sitting on Mars surface, digital art, trending on art station, soft lighting, highly detailed

这里不需要把每个词都用大括号包起来。ComfyUI 会按整句话理解语义。写提示词时建议把“主体、环境、画风、光照、细节”拆成几个短句，中间用半角逗号分隔。

负向提示词通常用来描述不想看到的内容。一个通用示例：

lowres, bad anatomy, bad hands, missing fingers, extra digit, blurry, jpeg artifacts

如果你使用专门的 embedding 文件，例如某些去模糊或修手的坏词库，可以在负向提示词节点中如下调用：

easynegative, lowres, bad anatomy

其中easynegative就是放在models/embeddings目录下某个 embedding 文件的触发名。

5.4 设置采样参数并生成

默认工作流中 KSampler 节点的参数如下：

• seed：随机种子，相同种子在相同条件下大概率得到相同结果
• steps：采样步数，不是越多越好
• cfg：提示词相关度
• sampler_name：采样算法
• scheduler：调度器
• denoise：去噪强度

如果是 SD 1.5 模型，可以先尝试：

steps: 20 cfg: 7 sampler_name: euler scheduler: normal

如果是 SDXL 模型，很多社区示例建议在采样器和步数上做调整，例如：

steps: 28 cfg: 4 - 7 sampler_name: dpmpp_2m scheduler: karras

不同 Checkpoint 的最佳参数都不同，更好的方式是以模型作者给出的推荐参数为基准。不要看到某一套参数在别人图上效果好，就原封不动套到所有模型中。

设置完成后，点击右上角Queue Prompt按钮，等待出图。如果一切正常，图片会出现在预览面板中，同时输出目录ComfyUI/output中也会多出一张 PNG 图片。

5.5 生成过程中的终端日志怎么看

在终端窗口里会输出每一步采样日志。注意类似：

Requested to load SDXLBase ... model loaded in 2.3s 100%|████████| 20/20 [00:25<00:00] Prompt executed in 29.2 seconds

Requested to load说明正在加载模型；100%表示采样进度；Prompt executed表示本次生成总耗时。如果你的模型加载阶段耗时很长，可能是磁盘读取速度较慢。如果采样阶段很慢，通常是计算资源不足。

6. 进阶玩法：LoRA、ControlNet 与自定义节点

跑通基础文生图后，可以尝试进一步控制图像。ComfyUI 的强大之处就在于通过添加节点来扩展功能。

6.1 安装 ComfyUI-Manager

ComfyUI-Manager 是管理自定义节点的工具，强烈建议安装。

进入 ComfyUI 根目录下的custom_nodes目录：

cd D:\AI\ComfyUI\custom_nodes

克隆仓库：

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

安装完成后重启 ComfyUI。界面中通常会出现一个Manager按钮，通过它可以直接浏览和安装大量自定义节点。对于没有网络代理条件的用户，如果 Manager 偶尔加载不出节点列表，可以检查网络环境或手动通过 Git 克隆需要的节点仓库到custom_nodes目录。

6.2 加入 LoRA 后工作流如何变化

LoRA 可以理解为“给模型追加一套局部风格记忆”。它不需要重新训练整个大模型，文件体积很小，适合用来批量尝试不同画风。

不使用 LoRA 时，流量走向是：

Checkpoint → KSampler

使用 LoRA 后，需要插入一个LoraLoader节点：

Checkpoint MODEL → LoraLoader model Checkpoint CLIP → LoraLoader clip LoraLoader MODEL → KSampler model LoraLoader CLIP → CLIPTextEncode

LoraLoader 参数包括：

• lora_name：LoRA 文件名
• strength_model：LoRA 对模型的影响权重
• strength_clip：LoRA 对文本编码的影响权重

通常strength_model和strength_clip设置为一致的范围，例如 0.6 到 0.8。数值过高会导致画面元素裂化，数值过低则看不出效果。具体权重需要在生成后对比检查。

6.3 ControlNet 的应用思路

ControlNet 能进一步控制图像结构，例如提取一张照片的人物骨架，再让模型按骨架生成新画面。它用起来比 LoRA 复杂，核心原因是需要选择合适的预处理器和模型文件。

基本工作流通常包含：

• 加载参考图
• 用预处理器提取边线或姿态
• 把提取结果输入 ControlNet 模型加载器
• 再把 ControlNet 的输出接到 KSampler

ControlNet 的模型文件放在ComfyUI/models/controlnet目录。使用前需要确认 ControlNet 匹配的基础模型。比如 SD1.5 的 ControlNet 不能直接和 SDXL 主模型一起使用。

这块属于进阶内容，第一次部署先不用急。先把基础文生图跑通，再逐步安装 ControlNet 相关自定义节点，会顺很多。

7. 常见问题与排查思路

ComfyUI 使用中最大的拦路虎并不是节点连接，而是各类报错。下面整理出高频问题和排查方向。

7.1 常见报错与处理建议

7.2 “节点在执行过程中发生错误”怎么定位

搜索词里经常有 ComfyUI 的节点在执行过程中发生错误。 # comfyui error report。这其实是 ComfyUI 在节点执行异常时弹出的通用错误面板，通常会有很多英文日志，看起来吓人，但定位方式是有套路的。

当看到这个弹窗时，不要急着重装 ComfyUI。按以下顺序排查：

1. 看面板第一行，找到是哪一个节点报错。
2. 看 error details 中的异常类型，例如RuntimeError、ValueError、IndexError。
3. 找到其中包含的文件路径，例如comfy/samplers.py或nodes.py里的某一行。
4. 区分问题来源：
   • 如果异常来自自定义节点，优先检查该节点是否缺少依赖或版本不兼容。
   • 如果异常来自生成过程，很可能是显存不足、模型文件问题或者输入数据类型不对。
   • 如果异常发生在保存图片节点，检查输出路径权限。

例如信息中出现了CUDA error: out of memory，那问题的答案就非常明确：显存不够。如果把batch_size调小还不行，就退到--lowvram模式，或者换一个分辨率更低的模型方案。

7.3 模型下载后为什么列表里看不到

这种情况最常见的原因有三个：

1. 文件后缀不是.safetensors或.ckpt。
2. 文件放在了错误目录。Checkpoint 却放进了loras，那加载器当然看不到。
3. ComfyUI 没有刷新。新增文件后点击加载器里的刷新按钮，或者重启。

有时下载工具会把文件名改成.download或中间加随机串，也要注意去掉这类不完整的后缀。

7.4 请求与显存相关的优化思路

在本地生成大图时，如果显存不足，基本思路是“降低中间峰值”，而不是单纯依赖低显存模式。

可以尝试这些方式：

• 降低单张图片分辨率，先生成小图再使用放大节点。
• 减少 KSampler 的 batch 数。
• 关闭浏览器其他标签页，避免 GPU 任务互相抢占。
• 在生成过程中不要同时打开多个本地应用。
• 有条件时，尽量选择 fp16 格式模型或量化后的模型文件。

8. ComfyUI 使用与工程维护的最佳实践

部署完成、第一张图出来后，很多人会立刻沉迷于各种复杂工作流。但掌握工具的核心价值在于可复用、可复现、可排错。有些工程习惯越早养成越好。

8.1 模型文件命名要规范

模型下载页面常常自带很长的小作文命名。如果直接保留原文件名，很容易出现两个大模型名相似但版本不同的问题。

推荐格式：

[类别]_[画风或用途]_[版本信息]_[分辨率或作者].safetensors

实际案例：

sdxl_fantasy_style_v2.safetensors sdxl_anime_realistic_mix_v1.safetensors

也可以在目录里单独放一个README.txt，记录模型来源、推荐触发词、推荐采样参数、下载日期。别看这个动作简单，过两个月再回来找图时，能省下大量考古时间。

8.2 工作流的保存与备份

ComfyUI 的界面工作流默认被嵌入到输出 PNG 图片中。如果你在某张图上做了满意的节点配置，再次把图拖回 ComfyUI 界面，通常可以还原工作流。这是它特别适合“复盘”的一个特性。

建议做法是：

• 每个正式使用的工作流导出一份 JSON 文件，放在专门目录。若找不到该目录，可用ComfyUI界面的 Save/Export 功能。
• 修改工作流前先复制一份，保留旧版本。
• 把“生成参数截图”和“提示词文本”保存到对应工作流说明中。

8.3 环境依赖管理建议

手动部署时，Python 虚拟环境要把项目依赖和全局依赖隔离。不建议反复在同一个环境里“pip install 试一试”。如果自定义节点安装得越来越多，环境依赖会慢慢混乱。

如果你已经安装了很多自定义节点后出现各种奇怪报错，可以创建一个新虚拟环境重新装依赖，而不是在一个坏环境中持续修补。

8.4 安全与合规边界

本地部署不等于可以无限制使用。需要注意几个方面：

• 只从可信来源下载模型文件，避免打开来源不明的.ckpt、.pt、.pth文件。这类文件理论上可能包含额外代码或漏洞。
• 对下载的模型文件，有条件时做一次病毒扫描。
• 不要使用网上未经授权的模型进行商业用途，注意模型作者的 License 说明。
• 生成的内容如果用于公开发布或商业场景，需要自行确认遵守相关法律法规和平台规范。
• 涉及生成人物图片时，要保持必要边界，避免生成违法违规内容。

8.5 性能与出图效率优化

出图速度不仅取决于显卡，还取决于模型选择。SDXL 生成 1024x1024 图片通常比 SD1.5 生成 512x512 慢很多。如果只是快速验证构图，建议先用低分辨率、低 steps 跑小样，确认效果后再用高质量参数跑正式图。

如果经常生成相似风格图片，还可以维护自己的提示词片段库。很多人以为提示词写得越长越好，实际上 ComfyUI 并不依赖“魔法词堆砌”。把模型真正想要的触发词、负面词和画风描述分开管理，比每次现场乱写要稳定得多。

8.6 学会阅读错误而不是删除重来

这是 ComfyUI 学习中最重要的一个思维习惯。看到红色错误、英文日志就慌乱卸载，往往是浪费时间。

ComfyUI 的错误结构非常有特色，只要耐心阅读异常栈前几行，大多数问题定位都不难：

• 报错节点里包含自定义节点名 → 去安装对应插件。
• 报错里出现 checkpoint 加载路径 → 检查模型路径和后缀。
• 报错里出现 CUDA out of memory → 降低资源占用。
• 报错里出现 import 某个模块失败 → 检查 requirements 是否装全。

把错误日志当成导航地图，而不是拦路虎，排错速度会成倍提升。

9. 下一步学习路线

当你完成了上述所有步骤，并且已经能独立跑通“文生图、LoRA 风格切换、ControlNet 结构控制”三类典型流程后，ComfyUI 的大门才算真正打开。

接下来可以继续深入的方向包括：

• 学习如何导出并复用别人分享的工作流，分析别人为什么在某个位置加节点。
• 学习 batch 批量生成和图像放大节点。
• 了解不同采样器和调度器对细节、光影的影响。
• 学习 ComfyUI 的 API 模式，结合 Python 脚本调用本地生成能力。
• 尝试把生成结果接入自己的小工具或后端服务，完成真正意义上的“模型即服务”。

本地部署 AI 生图模型不是一锤子买卖。它更像一套可持续迭代的工具链，每一次换模型、加插件、优化参数，都会加深你对生成原理和工程实践的理解。

如果你正在从 WebUI 转过来，或者第一次接触 ComfyUI，建议先从简单的 Checkpoint 加载和默认工作流开始。先不用急着下载几十个自定义节点，也不用盲目追求复杂的高清修复流程。把一条基础链路吃透，后面再加节点时会轻松很多。

如果今后在某一层卡住了，比如显存溢出、节点缺失、模型文件加载失败，记住回到终端看日志，回到官方文档查配置，回到输入材料确定你的模型文件放在哪里。这套排查逻辑比复制任何一张工作流图片都管用。