企业官网建设流程全解析

在 ComfyUI 上跑本地部署的 AI 生图模型，难点从来不是“输入一句话然后点运行”，而是整条链路是否顺畅：环境有没有配好，模型文件放没放对位置，工作流节点为什么报错，显存不够时该怎么降级。这里把 ComfyUI 本地部署从环境准备到模型配置，再到底模选择、工作流运行、错误排查写清楚，适合第一次接触 ComfyUI、想脱离在线平台在本地跑生图的开发者。

ComfyUI 是一套基于节点的 AI 图像生成流程工具，核心价值是把“底模加载、提示词编码、采样、解码、保存图片”拆成可视化节点。相比 Stable Diffusion WebUI 那种整体操作页面，ComfyUI 更强调流程控制：哪些模型参与计算、中间结果如何传递、每一步用什么采样器，都可以显式看到和修改。本地部署则是把整个推理链路全部放在自己电脑上执行，不依赖远程接口，也不会上传图片到第三方服务。

1. ComfyUI 本地部署到底在解决什么问题

1.1 ComfyUI 的本质：节点式流程引擎

在 ComfyUI 里，一次生图并不是一个黑盒操作，而是由若干节点串联组成的有向流程。典型文生图流程包括：

• CLIP 文本编码器：把自然语言提示词转换成模型能理解的条件向量。
• 采样器：在潜在空间里反复去噪，逐步生成图像特征。
• VAE 解码器：把潜在空间的张量还原成像素级图片。
• 图像保存节点：把结果写入磁盘。

这些节点之间有输入输出连接，上游节点的输出会成为下游节点的输入。理解这一点，后面调试节点报错就有一个基本思路：报错本质上是某个节点的输入类型、形状或依赖环境不满足计算条件，而不是“整个软件坏了”。

1.2 本地部署与在线 API 的核心差异

在线生图工具的优点是开箱即用，但存在几个现实问题：单张图片按次计费，批量实验成本高；提示词和生成图片会经过服务端；免费额度往往限制分辨率和生成次数；无法自由切换底模；无法深度定制工作流。

本地部署的价值在于：

• 生成成本只取决于电费和硬件损耗，反复调参没有额外费用。
• 数据不出机器，适合处理个人素材或敏感内容。
• 可以自由更换 Checkpoint、LoRA、ControlNet、采样器和 VAE。
• 可以把工作流导出成 JSON 文件，在团队内分享复现。

代价也很明显：需要自己处理 Python 环境、显卡驱动、模型文件下载、内存管理、报错排查。本地部署不是“装完就能一直稳定运行”，它需要维护。

1.3 一张本地生图请求的完整链路

当你在 ComfyUI 界面点击“运行”后，实际发生的事情可以拆成五步：

1. 前端把所有节点和连线序列化成执行图。
2. 后端根据节点依赖关系决定执行顺序。
3. 加载底模到显存，CLIP 模型负责文本编码。
4. 采样器按设定步数完成去噪过程，期间产生中间张量。
5. VAE 解码得到图片，前端展示缩略图，后端写入 output 目录。

理解这条链路，就能知道排查时该看哪一层。例如采样器报错通常是显存不足或参数越界，VAE 解码报错往往是 Latent 尺寸与模型不匹配，模型加载失败则要检查文件路径和格式。

2. 动手前先检查机器：硬件与软件基线

2.1 显存是本地生图最重要的资源

本地生图最先卡住的一定是显存，而不是 CPU 或内存。所以选型第一步是确认自己的显卡型号和显存大小。

这里没有给出具体某款显卡的绝对性能结论，因为驱动版本、PyTorch 版本、模型量化方式都会影响结果。但原则是通用的：显存决定单次能跑多复杂的图，显存不够时首先要降分辨率、减批量，而不是换更好的提示词。

除了显存，内存建议 16GB 起步，32GB 会更舒服。模型文件本身会占用磁盘，单是底模加 VAE 加 LoRA 就可能超过 10GB，所以磁盘剩余空间要留足。

2.2 Python、Git 和显卡驱动的版本要求

ComfyUI 本体是 Python 项目，手动部署时建议使用 Python 3.10 到 3.11 之间的稳定版本。太老的 Python 可能装不上新版依赖，太新的 Python 又可能遇到部分依赖尚未适配的情况。如果用的是社区整合包，通常已经内置了对应版本，不建议再手动改。

显卡驱动要能支持你安装的 CUDA 版本。更务实的做法是：先装好显卡驱动，再用 PyTorch 官方提供的安装命令安装对应 CUDA 版本的 torch。不必单独安装完整 CUDA Toolkit，除非你确实需要编译自定义扩展。

Git 用于拉取 ComfyUI 源码和部分插件，Windows 上安装 Git 后要确认命令行里能直接输入 git 而不报错。如果安装 Git 时没有把目录加入 PATH，后续克隆仓库会提示找不到命令。

2.3 部署前环境检查清单

这个清单不止在首次安装时有用。每次升级版本、更换模型、迁移机器时都建议重新核对一遍，很多莫名其妙的报错源头就是环境基线漂移。

3. 两条安装路线：社区整合包与手动部署

3.1 路线一：社区整合包，五分钟跑通

社区常见的“秋叶一键整合包”，本质上把 Python 环境、ComfyUI 本体、常用插件、模型下载工具和启动脚本打包在一起。好处是安装门槛低，适合刚接触本地生图、不想折腾环境的人。启动包内程序后，通常会自动打开浏览器进入 ComfyUI 页面。

使用整合包要注意几点：

1. 别把模型文件夹和整合包本体放在系统盘狭窄路径，路径中尽量别有中文或空格。
2. 整合包版本会持续更新，下载前确认版本说明，不要盲目追求最新。
3. 整合包方便跑通，但遇到环境级报错时，内部结构不透明，排查难度会高一些。

整合包适合用来验证“我到底要不要入坑本地生图”。如果已经确定要长期使用，并且需要自定义依赖、二次开发节点，建议逐步转向手动部署。

3.2 路线二：手动部署，掌握细节和排错能力

手动部署并不是更高级，而是让你理解每个依赖存在的意义。先把 ComfyUI 源码拉下来：

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

然后创建独立的 Python 虚拟环境，避免污染全局环境：

python -m venv venv

Windows 下激活虚拟环境：

venv\Scripts\activate

Linux 或 macOS 下激活方式不同：

source venv/bin/activate

确认当前命令行前缀出现(venv)后，再安装 PyTorch。第一次装环境最容易错的地方就在这里：直接执行pip install -r requirements.txt会默认安装 CPU 版或依赖源不匹配的 torch。推荐先按 PyTorch 官方命令安装 GPU 版本，比如：

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

这里的 cu121 对应 CUDA 12.1，实际操作前要确认自己的驱动支持的 CUDA 版本，并访问 PyTorch 官网获取当前推荐命令。装完 torch 后再装 ComfyUI 的其余依赖：

pip install -r requirements.txt

依赖安装完成后，Windows 下可以直接运行：

python main.py

Linux 或 macOS：

python main.py

默认情况下 ComfyUI 会在 127.0.0.1:8188 启动服务。

注意：虚拟环境创建后，每次使用都要先激活。如果提示找不到 torch，优先检查是不是忘记激活虚拟环境，而不是怀疑安装命令写错。

3.3 启动 Web 界面并进行首次自检

启动后浏览器打开 http://127.0.0.1:8188 ，能看到画布式界面，说明服务正常。可以再做两个自检：

1. 看控制台日志有没有明显异常，例如导入节点失败、缺少依赖。
2. 暂时不上传模型，先点一下默认工作流的执行按钮。此时会因为没有底模而报错，但这本身是一种验证：说明前端到后端已经连通，错误能正确回传。

如果浏览器打不开页面，优先检查端口是否被占用，再用python main.py --port 8189指定其他端口测试。

4. 模型文件：目录、类型和底模选择

4.1 模型目录结构与文件类型

ComfyUI 能识别的模型文件放在 models 目录下，不同用途的模型要放进对应子目录。目录放错是新手最常见的“模型找不到”原因。

完整目录结构的简化示意：

ComfyUI/ ├─ models/ │ ├─ checkpoints/ │ ├─ loras/ │ ├─ vae/ │ ├─ controlnet/ │ └─ embeddings/ ├─ output/ ├─ custom_nodes/ └─ main.py

4.2 如何选择合适底模和文件格式

选择底模要考虑三点：自己显卡显存、想要的内容风格、模型社区生态。

常见选择逻辑如下：

• 显存不大、追求稳定、生态成熟，选 SD 1.5 系底模，资源多、LoRA 丰富。
• 显存 10GB 以上、追求细节和提示词理解，选 SDXL 系底模或基于其微调的版本。
• 想要最强文本理解能力和超高画质同时显存足够大，可以尝试新架构大模型。

模型文件优先下载 .safetensors 格式。它和 .ckpt 相比没有 Python pickle 反序列化风险，安全边界更清晰。下载时还要确认文件名和实际底模是否一致。很多模型站会把修复版、fp16 版、分开的 VAE 放在同一页面，新手容易下载错文件。

注意：不要只看文件名大小判断模型行不行，也不要因为某个帖子热度高就下载来源不明的模型文件。模型下载尽量选择官方仓库或可信的模型托管平台，避免文件在传输过程中被篡改。

4.3 验证模型被 ComfyUI 识别的两种方式

第一种方式最简单：刷新浏览器页面后，双击空白处打开节点搜索框，搜索 Load Checkpoint，在节点下拉列表里能看到刚放入的底模文件名。

第二种方式更精确：点击界面右侧的刷新按钮，如果没有生效，则重启 ComfyUI 进程。如果你刚放模型时服务还开着，文件列表不会自动更新。

如果模型列表始终看不到文件，检查：

1. 文件是否真的放在 checkpoints 目录，还是误放到了 output 目录。
2. 文件后缀是否正确，ComfyUI 是否能识别该后缀。
3. 当前运行的是不是整合包自带的另一套 ComfyUI 路径。

5. 跑通第一张图：文生图工作流

5.1 默认工作流里的核心节点

ComfyUI 自带一个最基础的工作流，包含以下节点：

• Load Checkpoint：加载底模，同时输出模型、CLIP、VAE 三路结果。
• CLIP Text Encode（正向提示词）：输入你想画的内容。
• CLIP Text Encode（负向提示词）：输入你想避免的内容。
• Empty Latent Image：定义生成图像的宽高和批量数量。
• KSampler：执行采样去噪，是出图质量的关键节点。
• VAE Decode：把采样结果的潜在张量还原成像素图片。
• Save Image：保存图片到 output 目录。

默认界面里 Load Checkpoint 节点已经连接到后续节点。双击画布空白处可以调出节点搜索框，手动新增节点后，把对应输出口拖到目标输入口即可完成连线。

5.2 关键参数的调整思路

以 KSampler 为例，最主要参数如下：

每张图生成前先固定 seed，方便对比不同参数带来的效果。修改参数时一次只改一个变量，否则无法判断是哪个参数影响了结果。

Empty Latent Image 里的宽高直接决定显存占用。同一底模下，1024x1024 的显存占用会明显高于 512x512。出现 OOM 时，第一步就是缩小这里的宽高。

CLIP Text Encode 的正向提示词不要只写一堆风格化形容词，建议包含主体内容、环境、材质、构图和光影方向。负向提示词用于排除常见质量问题，类似“模糊、低质量、变形”这类描述，但不同底模对负向提示的敏感程度不同。

5.3 运行和验证生成结果

点击界面上的“运行”按钮后，节点边框会变亮，控制台会输出进度信息。等 KSampler 和 VAE Decode 执行完，画布上会出现预览图，同时图片会自动保存到 output 目录。

生成第一张图的预期结果：

• 没有红色报错节点。
• 控制台没有 Exception 或 Error 关键字。
• output 目录里出现新的 PNG 文件。
• 图片内容和正向提示词相关，而不是纯随机噪点。

如果图片是纯色块或明显花屏，优先检查 VAE 是否被加载正确，以及底模是否损坏。部分底模下载不完整时也能加载，但解码出来就是废图。

6. 本地生图常见报错排查：从节点错误报告入手

6.1 节点在执行过程中发生错误，先看 error report

ComfyUI 在节点出错时会在前端弹出错误面板，内容类似下面这种格式：

节点在执行过程中发生错误。 # ComfyUI Error Report ## Error Details - Node Type: KSampler - Exception Type: RuntimeError - Exception Message: CUDA out of memory.

这段报错其实已经给出了关键信息：是哪个节点出错、什么异常类型、具体消息是什么。不要只看到红色界面就慌，先按顺序做三件事：

1. 看 Node Type，确定是哪一类节点。
2. 看 Exception Message，判断是显存、类型还是路径问题。
3. 看控制台完整堆栈，把出错行附近的上下文读出来。

多数节点错误不是 ComfyUI 本身坏了，而是工作流连接或参数没有满足节点约束。

6.2 CUDA out of memory 的降载方案

CUDA out of memory 是本地生图最高频错误。产生原因不只是“显存小”，还包括当前分辨率和批量一次吃太多显存，以及后台其他程序占用显存。

按代价从低到高的处理顺序：

1. 关闭占用显存的其他程序，例如浏览器硬件加速、其他 AI 工具、录屏软件。
2. 把 Empty Latent Image 的宽高从 1024x1024 降到 768x768 或 512x512。
3. 把 batch_size 降回 1。
4. 重启 ComfyUI 进程，释放被缓存占用的显存。
5. 使用低显存运行模式启动。

低显存模式下启动的命令示例：

python main.py --lowvram

这个参数会把部分模型放在内存中，按需加载到显存，牺牲速度换取不爆显存。但是低显存模式不适合所有场景，如果后续要快速迭代，还是建议优先从分辨率入手。

6.3 模型加载失败与配置不生效

模型加载失败时，控制台通常提示类似Ckpt Not Found或 model not found。这时检查顺序：

1. 文件是否在 models/checkpoints 目录下。
2. 文件名带中文或特殊符号时，ComfyUI 有时可识别，但为了减少问题，建议统一改成英文小写文件名。
3. 文件是否下载完整，半截文件实际大小为 0 或明显小于模型页面标注大小。
4. 是否把 LoRA 文件误放到了 checkpoints 目录，然后试图用 Load Checkpoint 加载。

另一个容易忽略的问题是：修改了配置或替换了模型后，不重启 ComfyUI，某些缓存不会自动刷新。遇到“配置不生效”类问题，先重启进程再试。

6.4 环境安装阶段的 git 与 pip 报错

手动部署时常见一类环境报错，例如安装 Git 后在 Windows 命令行执行 git 时提示：

unable to set system config "diff.astextplain.textconv" ...

这是因为安装了某些 Git 工具包时，系统级配置里指向了不存在的组件。处理方式通常是重装 Git 时选择默认组件，或在 Git 安装目录里补齐缺失文件后重新配置。严格来说这不是 ComfyUI 的报错，而是 Git 环境问题，却会挡住后面的 composer 步骤。

pip 安装依赖时常见问题是网络超时或下载源较慢。可以在 pip 后加参数指定镜像源：

pip install -r requirements.txt -i https://pypi.org/simple

如果所处网络环境访问官方 PyPI 不稳定，可以换成国内公开 pip 镜像。这类镜像地址写在自己的项目说明里即可，不涉及额外工具。

注意：看到安装报错时，先读完整报错行。很多新手被红色文本吓到，直接把最后两行复制到聊天工具里提问，但真正的原因往往在报错中间位置的依赖包名或文件路径上。

7. 从能出图到长期稳定的工程化建议

7.1 工作流文件如何保存、分享与迁移

ComfyUI 的每个工作流都可以保存为 JSON 格式。点击界面保存按钮后，会得到包含节点结构、参数、连线关系，甚至部分提示词信息的文件。

保存工作流时有几个建议：

• 分业务保存，不要把所有实验都堆在一个工作流里。
• 文件名里带日期、底模名称和主题，例如portrait_sdxl_20250120.json。
• 首次分享给他人前，确认对方机器上是否有对应模型和自定义节点。
• 迁移到新环境时，先安装工作流依赖的自定义节点，再打开 JSON。

很多“工作流分享后打不开”的问题，不是 JSON 损坏，而是加载者缺少对应节点插件或模型文件。ComfyUI 在加载时会提示缺失节点，按提示安装后再重新加载即可。

7.2 插件、ControlNet 与 LoRA 的扩展方向

跑通文生图后，扩展方向通常有三个。

第一个方向是 LoRA。LoRA 是小型可插拔风格或人物适配层，文件小、切换快。ComfyUI 里有专门加载节点，不改变底模效果，只增加特定风格。如果在社区看到喜欢的 LoRA，下载后放入 loras 目录，在正向 CLIP Text Encode 之前串联 LoRA 加载节点。

第二个方向是 ControlNet。它可以锁定构图、姿势、深度或边缘信息，配合底模做可控生成。ControlNet 文件更大、加载更占显存，对新手来说建议先把基础文生图稳定跑通再试。

第三个方向是保存并模板化自己的常用工作流。等到某套参数能稳定输出自己满意的图，就把它保存为基础模板，后续调参都从这个模板出发。

7.3 本地部署的维护与备份清单

本地部署使用时间越长，越需要维护。建议留存一份发布前检查清单：

生产或长期使用场景还应该考虑把模型文件从系统盘迁移到大容量数据盘，避免同时装多个底模把系统盘写满。output 目录也应定期清理，或用脚本按日期归档，防止图片文件越来越庞大。

对于学习阶段的新手，最有价值的练习是手动部署一遍 ComfyUI，然后从默认工作流开始，逐个修改 KSampler 参数，观察输出变化。不要一上来就下载几十个插件和高复杂工作流，那样既难排查问题，也难以真正理解每个节点在做什么。等到能熟练分析黄色报错条和 error report 里的节点类型后，再进入 ControlNet、LoRA 和更复杂模型的扩展阶段，本地部署这条路才算真正走稳了。