企业官网建设流程全解析

你可能也遇到过我这种情况：手上有两块显卡，但一块在工作室渲染、一块在客厅的机器上闲置，每次想跑个AI绘图都得来回折腾；或者团队几个人共用一台渲染服务器，根本谈不上排队和权限管理，谁抢到就是谁的。OpenRIG就是这样一剂解药，它把零散的GPU资源编排成一个可以统一调度的渲染池，你只要打开浏览器，就能把任务丢给任意一台接入的机器，然后坐等结果。这类开源项目很适合想自建AI绘画渲染平台的小团队、有闲置显卡想“多卡并发”的个人玩家，以及不想被在线绘图平台按月收费的内容创作者。这篇文章我就完整记录我从规划、部署到上线使用的全过程，包括踩过的坑和排查方法，你可以直接照着抄。

1. OpenRIG到底解决了什么：渲染农场的真实痛点与核心设计

1.1 自建渲染资源池为什么这么难

在没有这类调度工具之前，我的工作流是相当原始的：A机器装了ComfyUI，我就得远程桌面到A机器，上传图片、改节点、点执行；B机器装的是Stable Diffusion WebUI，又得换一套操作方式。更麻烦的是，如果A机器正在跑一个长耗时的工作流，队列里的下一个任务只能干等，因为ComfyUI本身是单机单队列的逻辑，它不知道“哦，旁边还有一台空机器可以用”。

表面看这是“资源不够”的问题，但实际上就算资源充足，也只是显卡利用率低：一个任务占满了显存，其他任务过不去；任务类型五花八门，有的吃显存、有的吃CPU、有的主要是I/O，单一机器无法弹性分配。再加上团队协作时的账号管理、任务优先级、历史记录追溯，每一个点都是一个坑。OpenRIG这种开源调度项目，本质上就是把“渲染任务”与“物理显卡”解耦，让用户不再关心任务到底跑在哪张卡上，只关心结果什么时候出来。

1.2 OpenRIG的核心设计：调度与执行分离

OpenRIG的架构思路可以这样理解：整个系统分成“大脑”和“手脚”两个层面。

• 主控端（大脑）：负责接收任务、维护任务队列、跟踪每个节点的状态、下发工作流、回收结果。它不需要高性能显卡，一台普通的小主机甚至NAS都能胜任。
• 执行节点（手脚）：每台装了GPU和ComfyUI等推理后端的机器都是一个执行节点。节点启动后主动向主控注册，然后等待任务分配。当接到任务时，它会调用本地的ComfyUI API去执行，再把生成结果和日志回传。

这样的好处非常明显：执行节点不需要暴露复杂的端口给其他成员，工作流文件也不需要在每个人手里传来传去，所有操作都收敛到Web面板上。你甚至可以给某个节点设置“只在晚上参与调度”，白天它自己正常工作，晚上自动被拉进渲染池，把闲置算力利用起来。

我常用一个类比来解释这套设计：主控像外卖平台，执行节点像餐厅。你在App上下单，平台根据每家餐厅的出餐速度、排队情况分单，餐厅只负责做菜。平台不用关心餐厅后厨是怎么炒菜的，餐厅也不需要知道客户是谁——这就把“调度”和“执行”彻底切开了。

1.3 为什么选Web面板而不是传统命令行

有人可能会问：我直接用SSH到GPU机器上手动提交任务不行吗？当然行，但那只适合一个人玩一台机器。只要涉及多台机器、多个人，命令行方案的短板就会暴露：

1. 权限太难控制。要么所有同事拿到同一把SSH密钥，要么每加一个人就要配一次key，安全性很难兼顾。
2. 历史不可追溯。谁在什么时候提交过什么参数、生成了哪张图，命令行里没有友好记录。
3. 操作门槛高。团队里做设计、做内容的人不一定熟悉终端，Web面板才是大家都能用的入口。

OpenRIG把调度逻辑封装成服务，把任务提交做成按钮和表单，团队成员只需要会拖动工作流文件就能用。对管理员来说，面板上的节点列表、队列状态、日志查询比挨个登录服务器高效得多。

2. 部署OpenRIG之前的规划：硬件、节点与网络方案

2.1 主控节点和执行节点的硬件分工

不要一上来就想着“我直接装在最强的显卡机器上做主控”，这是很多人第一步就会犯的错。OpenRIG的设计目的是让调度逻辑与显卡解耦，所以主控和执行完全可以是两台独立机器，甚至主控可以跑在云服务器上。我自己的推荐配置如下：

这里要提醒一个容易忽略的点：执行节点的CPU和内存也不能太寒酸。ComfyUI加载模型时会把权重从磁盘读进显存，这个过程中如果内存不足，会非常容易触发swap风暴，表现为节点显示在线，但任务一直卡在“加载模型”阶段。

2.2 网络规划与端口

OpenRIG的部署并不复杂，但端口规划一定要提前想清楚，不然后面总有莫名其妙的连接失败。我用到的典型端口如下：

执行节点要访问主控的8080端口，所以主控所在机器的防火墙需要把8080对“执行节点网段”放行；Web面板的3000端口则按你的需要，对团队内部网段放行。ComfyUI的8188端口建议不要直接暴露到公网，因为ComfyUI的API不加防护，陌生人拿到访问权限就可以用你的显卡跑他自己的任务。

2.3 模型与工作流的目录规划

多节点部署最让人头疼的问题不是调度，而是“每个节点的模型目录不一致”。OpenRIG的职责是调度任务，它不会自动帮你把模型从A机器复制到B机器——至少我在使用中没指望它做这件事。所以每台执行节点上的模型路径必须约定好，比如大家都把模型放在/models/stable-diffusion和/models/loras下，并把主模型命名为可辨认的版本号。

如果你实在不想每台机器都放一份模型，也可以用共享存储挂载到执行节点的固定路径。不过这样做要小心并发问题：多台机器同时读取同一个大模型文件，会让网络存储的I/O压力剧增，严重时加载时间反而比本地盘更慢。我的经验是，如果执行节点少于五台，老老实实本地各放一份最省心，模型版本用目录名或软链统一管理。

3. 实操记录：搭建一套可用的OpenRIG并接入ComfyUI工作流

3.1 主控初始化：用容器跑起调度服务

这部分的实际操作记录来自我自己搭建时的环境。OpenRIG本身依赖一些服务组件，用Docker Compose来管理是最省事的方式。先创建一个工作目录，比如/opt/openrig，在里面放一份docker-compose.yml，内容类似这样：

services: openrig-master: image: openrig/master:latest container_name: openrig-master ports: - "3000:3000" - "8080:8080" volumes: - ./data:/data - ./workflows:/workflows environment: - OPENRIG_DATA_DIR=/data - OPENRIG_WORKFLOW_DIR=/workflows restart: unless-stopped

然后执行：

docker compose up -d

启动之后，等一两分钟，浏览器访问http://主控IP:3000，就能看到初始化页面。首次登录会让创建一个管理员账号，这里建议把账号密码放到密码管理器里，因为后面生成节点令牌、修改队列优先级都要用到管理员身份。

我习惯在初始化后立刻检查两件事：一是/data目录下是否生成了日志文件和数据库文件，二是8080端口是否正常监听。如果日志乱成一团，通常是端口被占用了，用docker compose logs -f去看实时输出会直观很多。

3.2 执行节点注册：令牌、ComfyUI与工作目录

执行节点的准备工作分三步：

1. 确保ComfyUI能跑起来，并且http://127.0.0.1:8188可以访问。
2. 在主控面板的“节点管理”页生成一个登记令牌（Token）。
3. 在每台执行节点上配置环境变量，把节点的地址、令牌和主控地址写清楚。

以Linux执行节点为例，可以这样设置：

export OPENRIG_MASTER_ADDR="http://192.168.1.10:8080" export OPENRIG_TOKEN="这里填你生成的节点令牌" export OPENRIG_COMFYUI_ADDR="http://127.0.0.1:8188"

然后启动执行节点的容器或服务。等它在主控面板的“节点列表”里出现，并且状态变成online，注册就完成了。我遇到最多的问题就是忘记配置OPENRIG_COMFYUI_ADDR，导致节点虽然上线了，却一直报“无法连接后端推理服务”——节点在线和推理可用是两回事，这一点很容易让人误判。

关于为什么必须有令牌：如果没有令牌机制，任何设备只要知道主控地址就能加入你的渲染池，轻则蹭算力，重则提交恶意任务拖垮节点。所以主控那边一定要记得把令牌当成机密，不要随手贴在群里。

3.3 验证调度：提交第一个文生图任务

节点全部上线后，先在面板上传一个最简单的文生图工作流JSON，把模型、采样器参数都设好，然后提交。你可以在Web面板上看到队列状态的变化：从pending变成running，最后变成success，同时执行节点上ComfyUI的日志会同步打印出每一步的执行时间。

如果面板上跑通了，再试一下命令行提交，便于后面做批量调用。一个通用思路是调用 OpenRIG 的提交接口，把工作流JSON作为请求体发过去：

curl -X POST "http://主控IP:3000/api/tasks" \ -H "Content-Type: application/json" \ -H "Authorization: Bearer 你的访问令牌" \ -d @workflow.json

当然具体接口路径以你自己的版本为准，可以在面板的请求日志里抓到。这一步的意义在于：后续批量出图、自动化出图脚本，都能走同一个入口，而不是每次手动打开浏览器点鼠标。

3.4 批量出图与多节点并行：把资源池跑满

OpenRIG的调度器会把队列里的任务尽可能分发给空闲节点，所以你不需要手动指定“这张图去哪台机器跑”。批量出图时，只要把多个任务依次提交，系统就会自动负载均衡。

这里分享一个我后来常用的批量策略：把同一个底模、同一个LoRA、不同种子或提示词的几百个任务一次提交，队列会瞬间堆满。然后观察任务分配：如果两节点的显卡规格不同，快的节点会先被分配更多任务，慢的节点处理的都是简单小图，整体效率比手动分开跑高很多。

要注意的是，批量任务对模型的加载逻辑是有压力的。每个新任务如果改了模型或LoRA，执行节点就要重新加载一次，可能带来额外延迟。所以我建议把任务按“模型相同、参数不同”分批提交，减少节点反复加载权重的次数，吞吐量会明显提升。

4. 多机协作与远程使用的权限设计实践

4.1 局域网内使用：最简单也最稳的方式

如果你的执行节点都在同一个局域网，比如工作室里几台机器接同一个交换机，那么OpenRIG主控跑在其中一台机器上，其他人直接用浏览器访问http://主控IP:3000就行。

局域网方案里最值得注意的不是配置，而是网络稳定性。不要用WiFi来承载批量任务调度，尤其不要用2.4GHz频段的WiFi。我之前试过用无线网络连接一个执行节点，任务跑大图时频繁出现“节点心跳超时”，调度器误判节点离线，把任务发给别处执行，导致同一张图生成了两份。后来换成网线直连问题马上消失。GPU机器做渲染节点，切记优先有线连接。

4.2 跨地域使用时怎么保证安全与稳定

如果你的执行节点分布在两个不同的城市，比如家里有一台机器、公司在另一座城市有一台机器，那就要考虑跨网调度。OpenRIG本身对网络环境的适配是相对宽容的，只要执行节点能访问到主控的8080端口，注册就可以建立。

但我不建议直接把8080端口暴露到公网上，更不建议不做任何鉴权就在云服务器上乱开端口。最稳妥的做法是让主控细节内网化，只通过HTTPS的反向代理来暴露Web面板，同时对执行节点的长连接做周期性心跳检查。如果你有云服务器，也可以把主控部署在云上，执行节点通过标准HTTPS协议与主控建立连接。

整个过程中有一点必须强调：任何远程调度方案都应当在你自己可控、合法合规的网络环境下使用。不要试图绕开网络边界去接一些不明来源的机器，也不要把调度端口随意暴露后不做访问控制。安全这关一旦失守，别人就可以借你的显卡跑非法内容，最后责任还是你自己背。

4.3 团队账号与操作审计

当团队成员多起来之后，账号管理和操作审计就会变成刚需。OpenRIG的权限模型里，我建议至少区分两类角色：管理员和普通成员。

• 管理员：能管理节点、生成令牌、查看所有日志、删除任务。
• 普通成员：只能提交任务、查看自己的任务历史和生成结果。

这套权限设计不只是为了防乱操作，更重要的是出了问题能追踪。比如某天一张参数离谱的图被提交，导致某个节点显存直接溢出，如果你能看到提交者是谁、提交时间是什么，排查起来会快得多。我在团队里还立了一条规矩：任何人的实验性工作流必须先在自己本机或指定测试节点上跑通，再进生产队列，避免你把半成品任务丢给一个正在跑甲方需求的节点。

5. OpenRIG高频问题排查与避坑实录

5.1 节点显示在线却一直不接任务

这个现象很迷惑：节点明明在面板上状态是online，但提交任务后任务一直停在pending，节点根本不消费。我排查下来的原因通常是：执行节点的ComfyUI地址配置不对，节点能跟主控握手，但握手后做健康检查时发现后端的ComfyUI不可达。

解决思路很简单：

• 先在执行节点本机执行curl http://127.0.0.1:8188/system_stats，确认ComfyUI能通。
• 再检查执行节点服务里的OPENRIG_COMFYUI_ADDR是不是写成了localhost而服务运行在容器里，容器里的localhost指向容器自身，不等于宿主机IP。改成http://宿主机IP:8188通常就好了。

5.2 显存溢出，但单机跑的时候明明可以

批量调度场景下的显存溢出，多半不是“显存不够”，而是“多任务并发时显存没有及时释放”。OpenRIG调度任务到节点后，执行节点连续处理多个请求，如果工作流里没有正确释放显存缓存，或者多个进程同时抢占显存，就会爆掉。

我的排查顺序是这样：

1. 在ComfyUI日志里看是哪个节点在加载时失败。
2. 检查该任务和上一个任务的模型是否完全不同，如果模型频繁切换，就给节点设置“任务间隔时间”，让显存有时间清理。
3. 如果节点上同时起了多个ComfyUI实例，一定要给每个实例加--reserve-memory或限制CUDA_VISIBLE_DEVICES，别让两个实例抢同一张卡。

5.3 队列堆积，任务排队却没有任何节点消费

这种问题要分几个方向查：第一，看所有节点的CPU/GPU利用率，如果都是0%，说明调度器没有分发任务，问题在主控侧或者节点注册状态；如果某个节点利用率是100%而队列还在堆积，说明该节点正在处理一个大任务，调度器在等待它的completion消息。

如果确认为主控侧的问题，我一般先做一次重启恢复操作：把主控服务和执行节点服务全部重启一遍，让它们重新握手。重启前记得看一眼任务队列是否有持久化，OpenRIG这类调度工具通常会把队列写到磁盘，重启之后任务不会丢，最多重新分发一次。如果任务确实丢了——别问我怎么知道的——赶紧写个定时脚本备份数据库和workflow目录，这比事后从JSON重建任务轻松多了。

5.4 同一份工作流在一台节点成功、在另一台节点报错

这种情况十有八九是模型路径不一致。工作流JSON里如果直接写死了一个绝对路径，比如/home/user/models/xxx.safetensors，而另一台机器的模型在/models/xxx.safetensors，那必然会失败。规避方案是全部改用相对路径，并且约定好统一的models目录基础路径。

另一个容易忽略的点是ComfyUI自定义节点的版本差异。两台机器上的“ComfyUI-ControlNet插件”版本不一样，接口参数有细微差别，也会导致同样的工作流一台能跑一台报错。我后来会用一个“镜像工具”定期同步执行节点的插件目录，并对版本做锁定，才彻底告别了这个坑。

5.5 一些容易被忽略的小细节

最后分享几个我吃了不少亏才记住的小细节：

• 执行节点的时钟要跟主控时钟保持同步，NTP服务最好开着。调度任务、心跳超时、日志排序都依赖时间，差几分钟都会造成追查困难。
• 不要在命令行里把节点令牌作为明文参数传给进程，这会被shell历史记录留下来，有泄露风险。建议用环境变量文件，并且设置文件权限为600。
• 批量任务生成结果的文件名建议包含任务ID，否则大量节点同时工作时，文件重名覆盖会非常让人抓狂。
• 如果使用的是Windows节点的ComfyUI，务必确认ComfyUI的路径中没有中文或空格，不然一些依赖库会处理不好。

现在我再回头看这套体系，发现OpenRIG真正带给我的不是某个具体功能，而是把“我有几台机器”这件事变成了一个平台级的资源抽象：任何新机器的加入，都只是多了一个节点；任何新成员的加入，都只是多了一个账号；任何任务的提交，都不需要关心底层执行细节。这套思路其实是可以继续扩展的，比如把调度器接到定时任务系统里，实现每天凌晨自动批量渲染；或者把面板再套一层简单的API网关，给其他业务系统调用。如果你也想把自己的闲置显卡利用起来，建议先按这篇文章把最小闭环跑通，剩下的玩法可以在使用中慢慢摸索。