企业官网建设流程全解析

你迟早会走到这一步：要么是折腾 WebUI 折腾到头了，要么是看到别人分享的 ComfyUI 工作流效果惊艳，想自己复刻一份。不管从哪条路过来，都会遇到同一个问题——装 ComfyUI。网上教程一大把，但很多都是“从网上找了个工作流，跑不起来，又不知道哪里错了”。我见过太多人卡在第一步：不知道怎么在本地装起来、装完不知道模型放哪、终于跑起来了又碰到各种报错。这篇就是冲着“不求人”三个字写的，从硬件判断、安装路线、模型下载到插件配置，把本地部署这件事拆开讲清楚，你照着走就行。

先说清楚这台机器上装的东西到底是什么。ComfyUI 是一套基于节点流程的 AI 绘画工具，原理是把图像生成链路拆成“加载模型 → 提示词编码 → 采样器 → 解码 → 保存图片”等一个个节点，然后用连线把它们拼起来。相比 WebUI 那种点按钮出图的固定界面，ComfyUI 把每一步都暴露给你，你能看到参数怎么流动，也能把别人的工作流直接拿过来改。它的本地部署核心就是把运行环境、模型文件、节点插件全部装到自己的电脑里，不依赖任何在线服务，也不受平台审核限制。适合的人群也很明确：想在本地自由生成图像、想复现复杂工作流、想低成本批量出图的人。如果你是第一次接触，不要被“节点”两个字吓到，后面我会一步步带着你把它跑通。

1. ComfyUI 本地部署到底在装什么，为什么值得自己装

1.1 你装的不只是一个软件，是一整套“跑图环境”

很多人以为装 ComfyUI 就像装 QQ，下载装完打开就能用。实际上 ComfyUI 只是一个前端框架，真正干活的是 PyTorch、CUDA、图像生成模型这些底层组件。打个比方：ComfyUI 是餐厅的厨房操作台，模型是备好的食材，节点是厨师的操作步骤，PyTorch 是水电煤系统。你缺任何一样，菜都端不出来。

所以本地部署的本质是四件事：搞定 Python 和 PyTorch 环境、拉取 ComfyUI 代码、下载至少一个基础模型、安装你需要的插件。这四步完成之后，你才算真正拥有了一个能出图的本地系统。后面的所有工作流、提示词、放大操作，都是在这套环境之上叠加的。

1.2 为什么非要在本地跑，不用在线生成

在线 AI 绘画工具省心，打开网页就能用，但有两个痛点：一是免费额度少、好模型要会员；二是工作流不能完全自主控制。我试过不少在线工具，它们的“风格化”基本都是后端固定流程，你想改中间某一步的参数，改不了。而 ComfyUI 本地部署后每一环都是自己的，出了风格不理想的情况，你可以单独替换 LoRA、换采样器、调 CFG，完全不用被平台的预设约束。

另外还有个很实在的好处：离线可用。断网环境下照常出图，并且不会有“排了几个小时的队，终于轮到你，结果会话过期了”的尴尬。更适合做教程复现、批量跑图、公司内网环境这些场景。代价就是你需要准备一块能扛得住的显卡，以及花点时间配置环境。这也是网上“本地部署”热搜词里大量在讨论显存配置的原因——硬件门槛挡掉了不少人。

1.3 从热搜词能看出大家都卡在什么地方

最近搜 “ComfyUI 安装”“整合包”“国内镜像”“不能下载缺失模型”的人特别多。这些热搜词透露了一个信号：大部分人是被“环境搭建”和“模型获取”拦住的。安装过程本身不难，难的是路径判断——选择整合包还是手动装？模型去哪里下载？插件要不要装？所以我这篇会重点讲两条安装路线和模型摆放逻辑，把那些让你卡住的点提前排掉。

2. 装之前先认清自己的电脑：显存、内存与硬件的真实门槛

2.1 先看显卡显存，它决定你能跑多大的图、多快的速度

ComfyUI 对硬件挑剔，尤其是显存。我建议你打开任务管理器，先确认自己的显卡型号和显存大小，再决定后续路线。

• 4GB 显存：属于“能跑但比较悬”。可以跑 SD1.5 系列模型，出 512×512 的图，LoRA 尽量选小尺寸的，放大要谨慎。基本告别 SDXL 和视频模型。
• 6GB 显存：SD1.5 会比较从容，SDXL 勉强能跑，但要开低显存模式，局部重绘、ControlNet 这类插件可能卡顿。
• 8GB 显存：比较舒服的入门线。SDXL 可以常规使用，加 ControlNet 也没太大问题，跑 AnimateDiff 短视频勉强尝试。
• 12GB 显存：推荐等级。SDXL 工作流随手跑，视频模型也能玩，批量生成时更稳定。
• 16GB 及以上：基本在家用显卡里没有太多顾虑，可以跑中大工作流，配合离线大模型、视频生成也不容易 OOM。

很多人会纠结显存是不是越大越好。其实大显存对速度提升有限，它主要的作用是“装得下”更多中间结果，减少交换和崩溃。决定生成速度的更多是 GPU 算力，决定能不能跑的是显存容量。这两点不要搞混。

2.2 内存、CPU 和硬盘，三个容易被忽略的瓶颈

显卡显存之外，内存至少要 16GB，建议 32GB。因为工作流里的中间图片、节点缓存、模型加载都要经过内存。16GB 内存在跑 SDXL 时偶尔会出现系统卡顿，32GB 就稳很多。CPU 不用追求顶级，主流 6 核以上就够，但 CPU 负责数据预处理，太弱会导致每次加载模型前都要等很久。

硬盘反而是最容易被坑的。模型文件动辄 7GB、13GB，一张 SDXL 大模型 6.5GB，一个视频模型几十 GB，如果硬盘剩余空间不足，模型直接下载到一半就失败。另外，如果是机械硬盘，加载模型的速度和读取数据的速度会被明显拖慢，建议至少预留 100GB 以上空间，优先放在 SSD 或 NVMe 上。

2.3 显卡品牌选择：N 卡优先，其次才是 A 卡和 Apple Silicon

这一点直接决定安装复杂度。NVIDIA 显卡是支持最好的平台，CUDA 生态成熟，PyTorch 默认就支持，整合包几乎都是为 N 卡设计的。AMD 显卡需要走 ROCm 或 DirectML 路线，能跑，但很多插件不兼容，你不会希望在自己折腾到一半时发现某个重要节点不支持。Apple Silicon（M 系列芯片）的 Mac 也能跑，用 MPS 后端，出图速度不错，但视频模型的控制力没有 N 卡好。

说实话，如果你是新手，又还没买电脑，预算有限就攒个 N 卡；如果只有 A 卡或 Mac，也不是不能装，只是需要做好“部分插件弃用”的心理准备。这篇教程默认以 N 卡为主，因为这是最省心的路径。

3. 两条部署路线：新手走整合包，进阶走手动部署

3.1 路线 A：整合包，五分钟完成“解压即用”

如果你目标是赶紧跑起来，首选整合包方案。网上讨论度最高的就是秋叶整合包，它是把 ComfyUI 运行环境、Python、依赖、常用插件全部打包好的版本，解压出来就能用。下载时注意分辨官网地址，不要看到“最新版整合包下载”就叫就点，里面有不少是捆绑广告。下载完成后，解压到一个路径不含中文、不含空格的目录，比如D:\ComfyUI，然后双击启动ComfyUI.bat。

首次启动会看到黑色命令行窗口滚动，那是它在初始化 Python 环境和加载必要组件。等出现类似To see the GUI go to: http://127.0.0.1:8188字样后，用浏览器打开这个地址，看到节点界面就说明启动成功。之后运行只需启动 bat，设备名显示为CUDA就代表调用了 NVIDIA 显卡。

这里有个很容易忽略的细节：解压路径不要选 C 盘根目录下的中文文件夹，也不要选D:我的图片\AI绘画\ComfyUI这种路径。早期很多 python 依赖对中文路径兼容不好，报错很难定位。如果启动后马上闪退，多半是文件被杀毒软件隔离了，或者磁盘空间不足，先去这两个方向排查。

3.2 路线 B：手动部署，想玩得深就必须会这一套

整合包虽然省心，但限制了你的升级自由度。想将来自己装新插件、升级 PyTorch、换 Python 版本，手动部署才是正路。我整理一套最精简的步骤，跟着做基本不会翻车。

第一步，安装 Python 3.11，记住勾选“Add Python to PATH”。Python 版本不建议选最新的 3.13，因为很多库还没完全兼容，3.11 是当下最稳的。第二步，安装 Git，建议用官方 Git for Windows，默认选项即可。第三步，在命令行执行：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python -m venv venv venv\Scripts\activate

第四步，安装 PyTorch。这一步最关键，进入 PyTorch 官网选择器，选你 CUDA 对应的版本。如果你不确定自己的 CUDA 版本，直接选用 cu121 或 cu124 版也没问题，因为 PyTorch 自带的 CUDA runtime 会向下兼容大多数驱动。命令格式如下：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

第五步，安装 ComfyUI 依赖：

pip install -r requirements.txt

最后启动：

python main.py

如果你对命令行不熟，也可以把上面命令写进一个run.bat里，双击执行：

@echo off cd /d %~dp0 venv\Scripts\activate python main.py pause

手动部署的好处是你能精确控制环境版本，比如某个插件要求 torch 2.3 就单独调整；缺点是安装时间更长。新手也可以先走整合包，等跑熟之后再手动搭建一套环境。

3.3 启动参数与首次运行验证

无论哪条路线，启动参数都值得了解一下。python main.py --lowvram --preview-method auto可以尝试显存不足时使用，--port 8188可以修改端口。首次启动后，建议先别急着加载别人的工作流，用默认工作流（文生图）先出一张图。如果出图正常，说明环境阶段成功；如果遇到缺模型报错，参考下一节处理模型放置问题。

4. 模型获取与目录摆放：让 ComfyUI 真正“能画”的关键

4.1 搞清楚模型分类，别把 LoRA 放错了位置

ComfyUI 的models目录下分了很多子文件夹，每个类型必须放到对应位置。我见过最典型的错误，是把 LoRA 模型直接丢进 checkpoints，结果节点报错说找不到模型。

• models\checkpoints：存放全能基础模型，如 SD1.5、SDXL 时代的 Checkpoint 文件（后缀通常为.safetensors），它能直接加载生成图像。
• models\vae：存放 VAE 文件，负责图像解码。大部分新模型内置了 VAE，但有些旧模型需要单独搭配。
• models\loras：存放 LoRA 小模型，用于调节风格、角色一致性，文件体积一般在几十到几百 MB。
• models\controlnet：存放 ControlNet 模型，用于姿势、线稿、景深的精确控制。
• models\clip：CLIP 文本编码器文件，部分新模型（如 Flux、SD3）需要额外下载单独的 CLIP 模型。
• models\unet或models\diffusion_models：部分新架构模型的不同存放路径，取决于具体工作流。

如果你用整合包，看到带访问码的网盘链接是很正常的，因为模型文件太大，一般不会直接放在 GitHub。下载后核对一下后缀名，.safetensors和.ckpt都行，但.bin文件通常不是直接可用的，别乱放。

4.2 模型去哪里下：国内渠道分享

这是“不求人”路线里必须解决的一环。如果你是纯新手，我建议按顺序从这三个渠道找：

第一，ModelScope（魔搭社区）是国内能正常访问的模型托管平台，很多 AI 模型都有官方或社区搬运版，搜索模型关键词，找到对应文件下载即可。第二，HuggingFace 上有最全的模型，但部分时段访问不稳定。如果你想用命令行下载，可以先设置镜像环境变量，再执行下载命令，这样速度会快不少。在命令行输入：

set HF_ENDPOINT=https://hf-mirror.com

设置完这条环境变量后，再使用huggingface_hub或git lfs命令下载模型，就会走镜像线路。第三，Civitai 有大量高质量 LoRA 和 Checkpoint，是国内玩家常用的风格模型来源，注册后就能搜索下载，注意优先挑选下载量大的文件，避免不确定来源导致异常。

4.3 模型缺失时的最实用排查逻辑

热搜词里有个“comfyui不能下载缺失模型”，这其实是新手最容易出现的问题。通常有两层原因：第一，报错信息里写明的模型文件确实不存在，比如工作流要求sd_xl_base_1.0.safetensors而你没下载；第二，文件存在但路径不对，或者文件名不一致。ComfyUI 在加载工作流时，会在对应目录里查找节点指定的文件名，如果你从分享者那里拿到的文件重命名过，即使看起来差不多也会报错。解决方式很直接：把报错信息里的完整文件名复制，去网上搜索，下载后放到对应的子目录，文件名尽量保持一致。

我自己的习惯是给模型文件统一命名时保留原始名，只增加前缀，比如XL_turbo_v1.safetensors这样。以后工作流加载找不到时，能通过文件名一眼定位是哪个模型。别嫌麻烦，这一步能省掉后面 80% 的“缺失模型”报错。

5. 工作流实操：写懂一张最简单的文生图流程

5.1 拆解一张基础文生图工作流

你先在 ComfyUI 的默认界面里看到一张已经排好的工作流，里面主要有这几个常见节点：

• Load Checkpoint：加载基础模型，它会输出 MODEL、CLIP、VAE 三条分支。
• CLIP Text Encode：负责把提示词变成模型能理解的向量；正向提示词接绿色点，负向提示词接红色点。
• Empty Latent Image：设置生成画布尺寸，通常是宽 512、高 768。
• KSampler：核心采样节点。seed控制随机种子（想复现同一张图就固定不变），steps控制迭代步数，cfg控制提示词跟随度，sampler_name和scheduler控制采样算法。新手先用默认值，后面再逐个调。
• VAE Decode：把潜空间数据还原成正常像素图片。
• Save Image：保存生成结果到output目录。

把这些节点按顺序连起来，就是一张图的完整生命周期。理解了这个脉络，你再去看网上那些“几个小时一个参数的复杂工作流”，就不会被杂乱节点带偏，你永远能看出“哪个是负责生成，哪个是负责精修，哪个是负责放大”。

5.2 加载别人工作流时别乱拖图，要先看报错

网上有很多分享工作流的方式，最常见的是附带一张预览 PNG，这张 PNG 其实内嵌了工作流数据。在 ComfyUI 界面里直接把 PNG 拖进窗口，就能自动加载整套工作流。但这一步之后往往会弹出红色节点，提示缺少某个自定义节点。

这时候不要慌，推荐先装一个插件包：ComfyUI Manager，它自带缺失节点检测功能，能帮你一键安装缺的节点。安装 Manager 的方法也不复杂：在ComfyUI/custom_nodes目录下执行git clone https://github.com/ltdrdata/ComfyUI-Manager.git，然后重启 ComfyUI。装好后，点 Manager 里的 “Install Missing Custom Nodes”，就能批量补全缺失节点。但如果某些插件要从 GitHub 下载，国内直连可能慢，卡住的时候耐心一点或者换时间去拉取。

5.3 画布尺寸、步数和种子：出图效果的第一手感

我见过很多人拿到工作流后只会点 “Queue”，图质量不稳定就开始怪模型。其实影响出图最直接的是这三个参数：步数太少出图粗糙，太多反而可能过绘，SD1.5 建议 20 步左右，SDXL 建议 25 到 30 步；CFG 太高画面生硬，太低跑偏，一般 5 到 8 适中；种子固定后，其他参数不变，出图就是同一张，想变异就在种子后面加个随机数。这些参数在 KSampler 节点里都能直接调。

如果你想让出图风格稳定，还建议在正向提示词里写清楚主体、材质、光源、构图，负向提示词写清楚不想出现的内容。之后再把 LoRA 接在 CLIP Text Encode 的出口处，调节strength控制风格化的强度。这些实操久了会形成肌肉记忆，比你到处找“神奇参数”靠谱得多。

6. 插件安装：ComfyUI 的可玩性全在插件里

6.1 ComfyUI Manager：装插件的第一步

ComfyUI 原生的节点可能只覆盖基础功能，很多高级玩法都依赖第三方插件。这也是“ComfyUI 插件”成为热门搜索词的原因。安装了 ComfyUI Manager 之后，界面右侧会出现一个管理面板，可以搜索、安装、更新插件，还能看到哪些插件缺失。个人强烈建议，无论你是整合包用户还是手动部署用户，都第一时间装上 Manager。

需要注意一点：ComfyUI 每次更新，部分插件可能失效。如果你某天启动后所有自定义节点报错，先回想最近是否升级过程序。降级回原版本前，备份好工作流文件，因为有些节点引用的内部接口变了，旧工作流也会跟着出问题。

6.2 常用插件清单：提示词、放大、视频与易用性

以下几个插件是我在不同场景下实测使用过的，按用途列出来供参考：

• 双语提示词 / 翻译辅助类插件：解决英文提示词写作门槛，写中文提示词自动翻译，适合刚入门的朋友。
• ControlNet 系列插件：控制人物姿势、线稿、景深和布局，是高级出图必不可少的能力。
• 图像放大与修复类插件（如 Ultimate SD Upscale 等）：低分辨率图放大后细节不过度崩坏，常用于二次精修。
• 视频生成类插件：用于生成动态图像、短视频，例如 AnimateDiff 相关方案，对显存要求偏高，16G 显存体验较好。
• 模型合并且重绘类插件：适合多 LoRA 叠加、模型融合、局部重绘等进阶场景，能显著降低工作流节点数量。

装插件不要贪多。每多一个插件，启动时间和冲突概率就增加一分。建议先按“我需要用到什么功能”去装，而不是“看别人推荐什么就装什么”。用到再装，是最省心的原则。

7. 常见问题与排查技巧实录：我踩过的那些坑

7.1 模型缺失、找不到、红色报错

报错信息里带No such file or directory或ModelNotFoundError时，重点查三个地方：模型文件是否真的存在于对应目录；文件名与工作流节点里写的是否一致；文件是否还处于下载未完成状态（看文件名是否带.part或.download后缀）。很多分享者会把工作流默认模型写成自定义名字，你拿到后要按原样放置，或者用“替换模型”节点改成自己的文件。

比如你用 SDXL 基础模型时，工作流里写的是sd_xl_base_1.0.safetensors，这个词组必须要精确匹配。如果你用的是整合包自带的模型，请直接把它复制到models\checkpoints目录并重命名为一致的文件名，就能绕开一堆路径猜谜。

7.2 显存不足与 OOM 报错

OOM 出现时，ComfyUI 并不会崩溃，但会在控制台打印大片红色报错并终止本次生成。排查思路按顺序来：先降低Empty Latent Image里的宽高值，比如从 1024×1024 改到 896×896；再在启动参数里加--lowvram，或者安装官方推荐的--force-fp16等参数；最后检查是否有其他程序占用显存，比如浏览器开的页面过多、直播软件后台挂着，都会抢显存。

如果 8G 显存也频繁 OOM，大概率是你加载了多个大模型，例如同时加载 Checkpoint、ControlNet、多个 LoRA。工作流会把这些全部塞进显存，超过限制自然报错。这时候做减法：先用最小工作流验证能出图，再逐步叠加节点，观察在哪一步开始报错，就知道谁在吃显存。

7.3 下载卡顿、启动闪退、界面黑屏

下载模型速度慢，多半是网络问题。优先使用 ModelScope 下载国内可访问的文件，或者设置上面说过的HF_ENDPOINT环境变量。启动闪退最常见原因是解压目录被杀软拦截，或者 Python 环境被第三方污染。如果你装的整合包双击 bat 后窗口一闪而过，可以在 bat 末尾加一行pause，这样能看到具体报错内容再对症处理。

界面黑屏也有几种情况：浏览器缓存问题，换个浏览器试；首次加载工作流时模型很大，需要时间，页面暂时空白属于正常；端口被占用，调整启动参数里的--port 8189试试。这三个方向逐一排查，基本能解决 90% 的黑屏问题。

7.4 工作流加载后节点全红，怎么批量补插件

全红节点的典型原因是没有安装对应的自定义节点。装了 ComfyUI Manager 后，界面会提示缺失节点，并且列出需要安装的插件列表。点击自动安装后，部分插件依赖Python Packages，会同步安装一些库。如果安装过程失败，不要重试猛点，先看日志里具体缺哪个包，再用pip install 包名手动安装，定位会更准确。

这里再分享一个独家经验：每次从别人那里拿到新工作流，先新建一个空白工作流，从默认节点开始手动加载模型，把图片跑通，再一步步引入复杂节点。不要一上来就塞一屏幕节点，这样报错时你完全不知道是环境问题还是节点连线问题。多次踩坑之后，我基本形成了“最小可用工作流优先”的习惯，这个习惯能让你少走很多弯路。

8. 收尾前再送几个实用建议：部署完成后先做这三件事

跑通第一篇图之后，先别急着搞各种疯狂的工作流。我建议按下面的顺序规划你的环境：先备份一份能启动的最小环境快照，记录好整合包或 Python 环境的完整路径、启动参数和已安装插件清单，将来系统出问题时可以直接恢复。然后建立自己的模型目录索引，用 Excel 或备忘录把每个模型文件、来源链接、用途记下来，以后想换工作流能快速找到需要的模型。最后再研究一个真正用得上的垂直场景，比如用 ControlNet 做固定人设、用视频模型做动态图、或者配合本地大语言模型做提示词优化。

这样做的好处是，ComfyUI 不再是一个“别人眼里很酷但我只会点 Queue”的工具，而是你手里能真正控制生成流程的完整系统。等你亲手把显存爆掉的报错解决掉、亲手把别人的复杂工作流缩成自己的精简版，再回头看这篇标题，你会发现自己已经完全不需要求人了。