企业官网建设流程全解析

如果你最近在技术社区里找 AI 生图资料，基本绕不开三个词：ComfyUI、本地部署、模型下载。很多新人第一次接触“本地部署”，理解得非常简单——下载一个整合包、点一下启动器，然后在网页界面里填提示词，模型就开始画图。真正等显卡风扇转起来之后才发现，卡住你的往往不是某个安装包，而是这些非常具体的问题：模型文件放错目录、显存放不下、节点执行到一半报错、下载的工作流导入失败。这些问题单看都不难，难的是它们总是连续出现，而且网上教程往往只讲“怎么点”，不讲“为什么错”。

这篇文章围绕“在 ComfyUI 上跑本地部署的 AI 生图模型”这条主线，重点回答三件事：第一，本地部署到底解决了什么问题，电脑硬件够不够用；第二，从零开始把 ComfyUI 装好，把一个可用的文生图模型放进正确目录，并真正跑出第一张图；第三，遇到“节点在执行过程中发生错误”“CUDA out of memory”这类高频问题时，如何不看玄学、只看日志地排查。这里所有操作都以“先跑通、再优化”为原则，避免一上来就堆几十个自定义节点。

先给一个核心判断：ComfyUI 不是 Stable Diffusion WebUI 的简单换肤，而是一套面向“可控生成流程”的节点式工具链。它的节点思维在初期比 WebUI 的“填表单”更反直觉，但换来的是可保存、可复用、可逐节点排查的工作流。本地部署 AI 生图模型，最直接的价值是数据不出本机、生成不按张数计费、模型权重和工作流都握在自己手里；代价则是从环境安装、显卡驱动到模型文件管理，每一个环节都需要你亲自兜底。

所以，并不是所有人都适合本地部署。如果只是偶发地生成几张头像，云端 API 反而更省事。但如果你要做批量素材、复现同一套画风、把生成流程沉淀给团队，或者要处理不便上传到第三方服务的图片，本地部署是更值得投入的方向。下面我按真实踩坑的顺序来展开，从“要不要本地化”一路讲到“报错之后怎么处理”。

1. 为什么要在本地部署 AI 生图模型

先解决一个容易被人忽略的问题：本地部署不是为了追求某种技术上的仪式感，而是因为你的使用场景发生了变化。当生成图片从“偶尔玩一下”变成“每天要出几十张、甚至要接入到业务系统”时，云端按次计费和文件上传带来的约束会越来越明显。

从使用成本看，本地部署是一次性硬件投入，之后每张图的边际成本主要是电费和显卡损耗；云端 API 则是按量计费，用多少付多少。从数据隐私看，本地部署的提示词、参考图、生成结果都留在本机，而云端方案意味着这些内容需要通过网络上传到服务商。从可控性看，本地部署可以自由切换 checkpoint、LoRA、采样器和自定义节点，云端则通常只能使用平台已经开放的能力。

这里很容易出现一个误区，以为“本地部署”就等于“免费部署”。实际上，显卡成本、硬盘空间、模型文件下载时间和调试时间都是成本。如果你的需求只是每天稳定出几张不复杂的图，云 API 可能才是综合成本更低的方案；如果你已经把生图当成一条“生产流水线”，那么本地部署才能真正释放价值。

从模型本身看，ComfyUI 能跑的 AI 生图模型大多属于 Stable Diffusion 这一技术路线，包括常见的 SD 1.5、SDXL，以及基于这些底座训练出的社区模型。底座模型决定生成能力，社区模型决定画风，节点工作流则决定生成过程的可控程度。搞清楚这三层关系之后，你再看网上各种“本地部署 AI 生图”的教程，就不会被单个炫酷案例带偏。

2. ComfyUI 与文生图工作流的底层概念

要理解 ComfyUI，不要把它看作“另一个 WebUI”，而要把它理解成一个“把生成过程画成流程图”的工具。WebUI 的做法是把参数全部塞进一个表单，用户填完点“生成”就行；ComfyUI 的做法是把文生图拆成多个节点，每个节点只做一件事，节点与节点之间用连线传递数据。

这条流程本质上是一个有向无环图，从加载模型开始，到保存图片结束，中间经过文本编码、采样、解码等步骤。因为每一步都被独立出来，所以你可以随时替换其中任意一环：换模型、换采样器、固定随机种子、改一下 denoise 值，而不需要把整个表单重新填一遍。更大的价值在于， ComfyUI 的工作流可以保存成 JSON 文件。一个 JSON 文件就是一条完整的“生成配方”，别人拿到这个文件，只要环境合理，就能复现相同结构的工作流。

2.1 ComfyUI 中最重要的几个节点

第一次打开 ComfyUI，看到画布上密密麻麻的连线，很多人会本能地退缩。其实一个最基础的文生图流程只有七个左右关键节点，理解它们的输入输出即可：

这里需要注意的是，CheckpointLoaderSimple 一个节点会同时输出三条线：MODEL 是真正负责去噪的模型，CLIP 负责把文字编码成条件，VAE 负责潜空间和像素图之间的转换。新手最容易犯的错误是只连接 MODEL，忽略了 CLIP 和 VAE，最终要么提示词完全不起作用，要么生成出来的图是灰蒙蒙的。

2.2 模型权重里到底有什么

如果要给本地部署选模型，必须先搞清 checkpoint 文件里的结构。以 Stable Diffusion 系模型为例，一个 checkpoint 文件通常同时包含 UNet、CLIP 文本编码器和 VAE 三部分，所以一个模型文件就能把整条生成链路的“底座”配齐。这也是为什么放进 models/checkpoints 目录后，CheckpointLoaderSimple 能一次性输出 MODEL、CLIP、VAE 三条数据线。

与 checkpoints 相关的还有 LoRA。LoRA 是一个体积很小的附加权重文件，它不单独生成图像，而是叠加在 checkpoint 之上改变画风或人物特征。很多 ComfyUI 新手把 LoRA 和 checkpoint 混为一谈，以为下载一个 LoRA 就等于换了一个主模型，结果加载之后发现画风毫无变化。正确的理解是：checkpoint 决定基础画质和底子，LoRA 决定风格的偏置，两者配合使用才能发挥作用。

如果只看表面，很容易把 ComfyUI 理解成一个“给程序员用的高级画图工具”。实际上，节点式工作流更大的价值在工程化：它允许你把 prompt、seed、采样参数、模型选择全部落成 JSON 文件，从而让同一套生成流程在团队成员之间复制和迁移。理解到这一层，后面的安装、选模型、排错才会有明确方向。

3. 环境准备：判断你的电脑跑得动什么

本地部署 AI 生图模型，第一道门槛并不是安装软件，而是硬件评估。很多用户下载了整合包，装到一台没有独立显卡的办公电脑上，结果出图速度慢到无法接受，然后误以为是软件配置有问题。这种情况并不少见，所以我建议在安装前先做一次环境盘点。

3.1 显卡与显存评估

在本地生图这条路上，NVIDIA 显卡目前依然是综合踩坑成本最低的选择。原因在于 PyTorch 的 CUDA 生态最成熟，大多数模型、节点和加速方案都会优先支持 NVIDIA。AMD 显卡虽然可以通过 DirectML 或 Vulkan 方案运行，但适配度和社区排错资料明显少；Apple Silicon 芯片则通过 PyTorch 的 MPS 后端支持，性能不错，但部分第三方节点仍会遇到兼容问题。

如果你的显存在 6 GB 以下，并不是完全不能玩，而是策略要保守：先用 SD 1.5 系模型跑 512 像素尺寸，把流程跑通，再去追求高画质和高分辨率。反过来，如果你的显存有 12 GB 以上，也不要急着把分辨率拉到 1024 以上，因为生成耗时和显存占用会快速增长。

3.2 软件与磁盘准备

安装 ComfyUI 之前，建议先确认以下条件：操作系统推荐 Windows 10/11 的 64 位版本，Linux 也可以，但 Windows 用户社区资料最多；NVIDIA 驱动更新到较新稳定版本，驱动太老时 PyTorch 可能无法正确识别显卡；如果走官方源码路线，需要准备 Python 3.10 或 3.11 以及 Git。除此之外，磁盘空间至少要预留 30 GB 以上，因为一个完整 checkpoint 文件动辄 4-6 GB，再加上后续下载 LoRA、VAE、ControlNet 等模型，空间消耗会比想象中更快。

这里要特别提醒：PyTorch 安装包通常自带 CUDA 运行库，只要显卡驱动足够新，并不需要你单独再去安装一个完整的 CUDA Toolkit。很多新人在这里被误导，以为必须手动安装 CUDA 才能跑 AI 生图，结果装了一堆和 PyTorch 版本不匹配的组件，反而把环境搞得一团糟。

关于 CPU 生成，我的建议是：除非你想用最极端的方式验证“能不能跑”，否则不要指望 CPU 能带来好的出图体验。CPU 推理一张 512 像素的图可能需要几分钟甚至更久，而在同样的电脑上换一张普通 NVIDIA 显卡，速度可能提升几十倍。本地部署 AI 生图的前提是“先有合适硬件”，而不是“先装好软件再说”。

4. 安装 ComfyUI：两种主流方式的对比

ComfyUI 的安装方式大体分成两类。普通 Windows 用户通常会先接触到“整合包”这种形态，比如社区常说的秋叶一键整合包；而有一定开发基础的用户则更倾向于用 Git 拉取官方源码，自己维护虚拟环境和依赖。两种方式没有绝对优劣，取决于你后续的准备做多久。

4.1 整合包模式：适合 Windows 新手

整合包的核心价值是把 Python 解释器、PyTorch、ComfyUI 本体和常用启动器提前打包好，用户不需要自己处理环境依赖。这种方式对第一次接触 AI 生图的人非常友好，尤其适合只想快速跑通流程、先把精力放在提示词和模型上的用户。

使用整合包的注意事项主要是三个。第一，解压路径不要放在带中文、空格或过长路径的目录中，否则某些国产插件或 Python 脚本可能会因为编码问题报错。第二，启动时先看启动器是否能正确识别显卡，如果页面里显示的是 CPU 推理，说明 GPU 没有生效，需要先更新驱动或调整启动参数。第三，整合包只管引擎部分，模型依然需要你自己下载并放到正确目录，它不能帮你解决“模型放哪”的问题。

整合包有一个隐藏风险：它往往捆绑了特定版本的 ComfyUI，而社区的很多新节点、新模型要求内核版本保持更新。如果后续大量使用自定义节点，建议关注整合包作者是否持续同步更新，而不是长期停留在同一个旧版本上。

4.2 官方源码模式：开发和维护更顺手

如果你想长期使用 ComfyUI，甚至希望把工作流沉淀成工程资产，我更推荐直接使用官方源码。源码方式的好处是升级路径清晰，一条git pull就能同步新版，而且虚拟环境由你掌控，不容易被其他 Python 项目干扰。

# 1. 克隆官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 2. 创建虚拟环境 python -m venv venv # Windows 激活方式 venv\Scripts\activate # Linux / macOS 激活方式 # source venv/bin/activate # 3. 升级 pip，并安装带 CUDA 的 PyTorch pip install --upgrade pip pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 4. 安装 ComfyUI 依赖 pip install -r requirements.txt # 5. 启动 python main.py

执行完之后，浏览器访问 http://127.0.0.1:8188 就能看到 ComfyUI 界面。需要说明的是，PyTorch 的具体 CUDA 版本号可能随官方文档更新而变化，安装前最好去 PyTorch 官网的 Get Started 页面复制当前推荐的命令。如果机器没有 NVIDIA 显卡，则不要使用上面这个 index-url。

为了避免每次启动都敲一长串 Python 命令，可以创建一个启动脚本。下面是一个 Windows 批处理文件的例子，功能是切换到 ComfyUI 所在目录并启用虚拟环境：

@echo off cd /d %~dp0 venv\Scripts\activate python main.py --listen 127.0.0.1 --port 8188 pause

把它保存为start_comfyui.bat，放在 ComfyUI 项目根目录下，之后双击即可启动。--listen 127.0.0.1表示只允许本机访问，--port 8188是默认端口，如果 8188 被占用，可以改成其他端口。

4.3 如何选择

如果你只想在本机快速测试，并且对 Python 环境没有概念，整合包模式可以让你少走很多弯路。如果你需要长期维护、想保持最新内核、要把工作流文件提交到 Git 仓库或与团队协作，官方源码模式更可控。两种方式的底层引擎相同，节点和工作流文件基本通用，区别主要在于环境管理方式。

5. 模型下载与目录管理：90% 新人在这里卡住

ComfyUI 启动成功只能说明引擎转起来了，真正决定出图质量的是模型文件。新手最常见的错误，是把下载的模型一股脑放到某处，然后在节点下拉框里找不到它。ComfyUI 扫描模型的逻辑非常简单：它只看固定目录下的文件，不看系统其他位置。所以第一步不是学参数，而是学会“把模型放在它该在的地方”。

5.1 模型目录规划

ComfyUI 项目根目录下有一个models文件夹，里面按模型类型分子目录。下面是最常用的几个：

如果你是从 Stable Diffusion WebUI 迁移过来的用户，可能已经有一套自己的模型库，没必要重复复制。ComfyUI 支持通过 `