企业官网建设流程全解析

各位折腾过 AI 绘图的同好应该都有这种感觉：跑通了 WebUI，觉得出图流程还是不够灵活，想自己控制整个生成管线，这时候几乎都会绕到 ComfyUI 面前。我当初第一次打开 ComfyUI 的节点界面时也有点懵，满屏的连线、一串串英文，心里直打鼓：这真的是给普通人用的吗？后来用顺手了才明白，节点的思路没有想象中复杂，它只是把 Stable Diffusion 的生成步骤拆开摆在了你面前而已。这篇就是写给还在门口犹豫的朋友们，把 Windows 下从零到能跑通第一张图的全过程拆开讲清楚，我用的每一步都是实测过、能直接照做的。

先说清楚 ComfyUI 是什么、能做什么。它同样是一套 Stable Diffusion 的图形界面，但和 WebUI 那种"填好参数点生成"的方式不一样，用的是把加载模型、输入提示词、采样器、解码到保存图像这些步骤做成一个个节点、连线构成工作流的结构。天资聪明的人可能十分钟就能体会它的灵活，比如可以精确控制哪个环节用哪套参数，把多个模型或采样器对比接在一起；但换个说法，如果你试过 WebUI 总觉得控制力不太够，或者想稳定重复跑同一套流程，ComfyUI 基本都是越用越顺手的选择。这篇内容面向完全没装过的 Windows 用户，从装软件到拉模型、跑通第一张图都安排得明明白白。

1. 装之前先搞明白三件事：显卡、显存和 Python

动手之前先别急着下载东西，把三个基础概念理清楚，后面会少踩很多坑。

1.1 显卡为什么决定一切

ComfyUI 本质上是帮你在本地显卡上做 AI 推理的程序，提示词和模型的计算都落在 GPU 上。如果你的电脑只有 CPU 没有独立显卡，理论上也能跑，但速度会慢到让你怀疑人生，出图等待时间按倍数增长，实际体验基本不可用。所以第一件事就是确认你的电脑有没有 NVIDIA 显卡，装好官方驱动就够。AMD 显卡现在也能用，但很多节点的生态和优化还是围绕 NVIDIA 展开，小白用户我会优先推荐 N 卡起步。

显存大小直接决定你能用多大、多新的模型。我自己当年用的是 8GB 显存的卡，跑 SD1.5 系列的模型非常舒服，SDXL 也勉强能跑，只是分辨率不能拉太高。4GB 显存的朋友也别灰心，哪怕是 4GB 也能跑，只是要用更小的模型和更低的精度方案。你可以在任务管理器里直接看显存大小，不用装任何第三方软件。

1.2 Python 的版本千万别乱选

ComfyUI 官方推荐 Python 3.10 或 3.11 版本，这里绝对不是能用就行。我当初图省事装了当时最新的 3.12，结果跑起来一堆依赖库报错，折腾了大半天全是在和版本兼容性搏斗。老老实实在 Python 官网装 3.10.6 或 3.11，并且安装那一步一定要勾选"Add Python to PATH"，这一步漏了你后面在命令行敲任何 python 命令都会被系统嫌弃，那种"python 不是内部或外部命令"的报错自己查一遍能折腾半小时。装好之后打开命令行，输入python --version，看到版本号这就成了第一步。

1.3 Git 最好也装上

Git 是用来拉取 ComfyUI 及其插件更新的工具。官方提供的包也有压缩包直接下载版本，但我还是推荐安装 Git，因为 ComfyUI 生态更新非常快，稍微热门一点的插件都可能需要从 GitHub 拉取，之后要用git pull一键更新。Git 也是官网下载、默认一路确认安装即可，安装过程没有特殊要求。

2. 核心安装流程：从下代码到跑起来

现在正式进入安装环节。这里我会把所有步骤按顺序列出来，直接照着敲就行。

2.1 下载项目本体

ComfyUI 推荐直接到它的官方 GitHub 仓库，点绿色的 Code 按钮选择 Download ZIP 就行，这个包大概一两百兆，不用先装 Git 也能完成。如果你想用命令行方式，也可以提前把 Git 装好，然后找个干净目录，比如 D 盘的某个专门文件夹，打开命令行执行：

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

两种方式结果一样，下载完成后你会得到一个叫 ComfyUI 的文件夹。里面main.py就是入口文件，requirements.txt是所有依赖清单，后续别乱删里头的任何文件。

2.2 创建独立虚拟环境（我的强烈建议）

这一步很多教程根本不会提醒你。Windows 上你已经装了很多 Python 库，如果直接全局装 ComfyUI 的依赖，极有可能互相干扰，有些库版本被覆盖之后别的软件就废了。虚拟环境就是给你的项目一个独立的小空间，所以先打开命令行进入 ComfyUI 所在目录，执行：

python -m venv venv

这段命令会在当前目录生成一个 venv 文件夹，里面是一套独立的 Python 环境。激活它：

venv\Scripts\activate

激活之后命令行前面会出现(venv)标识，说明现在所有 pip 操作都发生在虚拟环境里了。以后每次启动 ComfyUI 之前先做这一步激活，后面就可以安装依赖了。

2.3 安装核心依赖

依然在命令行里，确认虚拟环境已激活状态，执行：

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

这行命令安装的是 PyTorch 深度学习框架，是 ComfyUI 的底层计算引擎。后面跟的参数是让 pip 从 PyTorch 官方源下载适配 CUDA 12.1 的版本，这一步重点在 GPU 加速，别省或改错。如果你不确定自己的显卡驱动如何，强行装 CPU 版本也能用，但就浪费了显卡加速能力。

之后安装 ComfyUI 自身依赖：

pip install -r requirements.txt

文件里几千个库的安装过程会有不少输出信息，安装完成以没有红色报错为准。到这一步，核心就算装好了。

2.4 首次启动检查是否报错

激活环境状态下，执行：

python main.py

如果看到一堆提示后停止，窗口最后显示To see the GUI go to: http://127.0.0.1:8188，说明成功。浏览器打开这个地址就能看到 ComfyUI 的界面了。刚打开你会看到经典的默认工作流：加载检查点模型、正向提示词、负向提示词、空潜空间、采样器、解码、保存图像。别急着点生成，因为还差模型文件。

3. 模型文件放哪去：不搞懂这个，你跑不了任何图

很多新手卡在这一步：界面打开了，点生成却报错说找不到模型，这是因为 ComfyUI 默认工作流要加载一个检查点模型（Checkpoint），而你的模型目录还是空的。

3.1 检查点、VAE、LoRA、ControlNet 都是什么

常听到的大模型，其实就是检查点文件，包含了整个 Stable Diffusion 生成图像的核心能力，后缀是.safetensors，一般体积在 2GB 到 7GB 之间。VAE 是变分自编码器，负责把图像从潜空间还原成能看的画面，现在很多大模型已经内置了 VAE，所以新用户往往不需要手动加载。LoRA 是小体积的微调模型，只有几十到几百兆，用于给图像加特定风格。ControlNet 用来控制画面结构，比如根据一张骨架图生成对应姿势的人物，属于进阶玩家常玩的东西。

3.2 检查点模型放到哪个文件夹

打开 ComfyUI 目录下的models\checkpoints文件夹，所有大模型都放在这里面。LoRA 放在models\loras，VAE 放models\vae，ControlNet 放models\controlnet，结构非常直观。

3.3 模型去哪儿下载

这里需要说明，模型文件来源各不相同。最常用的是几大海外模型社区，比如知名模型分享站 civitai 和官方 Hugging Face 平台。国内用户访问这些地方网络情况因人而异，建议多尝试几条网络路径，有条件的话可以考虑镜像加速的方式，但我不展开讲网络问题。从这些站搜索你想要的模型，大概率能看到预览图和触发词说明，下载后放进上述目录即可。

小白我建议先从 SD1.5 系模型上手，它体积小，对显存要求低，各种插件兼容性最好。SDXL 系效果更好但体积更大、计算更慢、显存门槛也高。先用 SD1.5 把工作流玩明白，后面再换高端模型不迟。

3.4 重新加载模型

放好模型文件后，回到浏览器界面，点击右侧节点里的模型加载节点，展开模型列表下拉刷新，新版 ComfyUI 一般会自动检测到新文件，如果没有就刷新页面。现在能选到大模型，工作流看起来就完整可用：

• 正向提示词：输入想要的画面描述，比如 "a beautiful landscape, mountains and lake at sunset"
• 负向提示词：输入"lowres, bad anatomy, worst quality"这类常用负面词
• 空潜空间：设置宽、高、每次批次数
• 采样器：点击生成开始

我建议第一次先保持默认参数，直接点击"队列提示"按钮，如果能跑完并看到图，恭喜你，第一条 ComfyUI 工作流已经跑通了。实测下来，8GB 显存生成 512x512 的图大概几秒到十几秒，很流畅。

4. 第一个容易踩的坑：显存不足与爆显存解决方案

我自己第一次跑通稳定出图后，没过多久就遇到了最常见的坎：显存不够。具体表现出图到一半直接报错，或者画面几乎到尾声突然卡住，日志里出现CUDA out of memory之类字样。这个问题伴随我跟了很久，也最有代表性。

4.1 显存不足的三种典型场景

• 分辨率拉得太高：你把图设成 1024 以上同时开大模型，8GB 卡很容易就爆
• 开了太多附加功能：同时开 ControlNet 和多张批量出图，显存占用直接翻倍
• 显卡被其他程序占用：看到 CUDA 报错也有可能是浏览器某个标签页在调用显卡，关掉再试

4.2 针对性优化方案

显存小的机器也可以跑高分辨率图，思路是先用低分辨率生成，得到满意构图后再用放大模型（如 latent upscale 或 Ultimate SD Upscale）放大，避免直接在超高分辨率下运算。跑图时关掉浏览器硬件加速，其他吃显存的软件也尽量关干净。如果模型支持 fp16 半精度，ComfyUI 大多数默认会用，这也是省显存的重要方式。

我的经验是，拿到一张新模型先不要满配六七个节点一起跑，排除法排查显存占用，用最小工作流确认能出图，再逐层增加功能，这样能很清晰地定位是哪个环节把显存吃爆的。

5. 跑通之后，立刻可以做的三个优化

当你用默认工作流能稳定出图，就可以着手让工具更好用了。

5.1 配置界面汉化

全英文界面让不少朋友头疼。ComfyUI 有一个汉化扩展插件，通常做法是在 ComfyUI 目录下进入custom_nodes文件夹，把汉化插件用 git clone 拉取下来，然后重启。具体仓库名称不固定，找热度最高的那个即可。装完汉化后重启 ComfyUI，在设置里切换语言，界面就变中文了，学习门槛直接降一半。

5.2 安装常用工具节点

ComfyUI 生态里有大量第三方节点包，比如管理图像信息、处理放大、添加动态提示词的辅助工具。这类包大多也是放进 custom_nodes 文件夹后用 pip 安装对应依赖，重启生效。建议新手一次不要装太多，用到一个再装一个，能避免莫名其妙的冲突。

5.3 保存你自己的常用工作流

当你调出一套满意的参数，建议直接点界面里的"导出"按钮，把工作流保存成 json 文件存到本地。以后打开直接拖进浏览器窗口就能恢复整套工作流，不用每次重新连线设置参数。对于需要批量出图、固定风格的用户，这功能非常核心。

6. 排错思路：遇到问题别心慌，用链条法定位

真正进入 ComfyUI 之后，你会发现问题几乎不可避免，但大部分问题都能靠思路解决。

6.1 用"链条法"拆解问题

所谓链条法，就是按工作流顺序排查：先看加载模型节点是否正常、再看提示词节点格式、再看采样器参数、最后看保存路径。要是报错文本包含Checkpoint关键词，九成是模型没放对；包含VAE，就查 VAE 文件；包含CUDA，查显存；包含ModuleNotFoundError，说明缺 Python 依赖包，记住缺什么补什么，装对应库的提示就够。

6.2 改文件后必须重启服务

很多新手在 custom_nodes 里加了插件或者改了 venv 里的库，再刷新网页发现还是报错，其实是因为 Python 服务还没重启。点击命令行里的 Ctrl+C 停掉服务，重新执行python main.py再刷新页面，很多问题自然解决。

6.3 报错信息怎么看

窗口里的红字不要扫一眼就慌，Python 的报错往往在最后一行才写明具体原因。找到Error或Exception后面那句，再用浏览器搜索这句关键词，基本都能找到前人的解决方案。独立解决一次之后，后面再遇到问题你会镇定很多。

7. 日常使用中的几个小习惯

跑通环境只是开始，真正影响体验的是使用习惯。我后来搭 ComfyUI 用得顺手，靠的是这样几点：模型文件分类建好子文件夹并做好命名备注；出图保存路径设置规律，按日期和主题分目录；定期备份自己调好的工作流 json。特别是工作流文件，本地存储空间占用不大，但丢了就真的很难还原当时的配置。

还有一点：显卡驱动不用追求每月追最新，稳定版本即可。我有次手痒更新了显卡驱动，结果老版本 PyTorch 反而有了新兼容问题，最后回滚驱动才恢复。稳定优先。

8. 进阶路线：从默认工作流到属于自己的工作流

把基础跑通之后，ComfyUI 真正的进阶方向就是自己组合节点。多看看别人的工作流是怎么连线的，比如怎样把多个采样器串联、怎样插入 ControlNet 控制姿势，理解每个节点输入输出代表的含义。你会发现它的自由度极高，适合玩出完全属于自己的生成方案来。

大模型选择上，也不必从众。根据你要出图的内容去挑合适的模型社区推荐好口碑的作品，常备一两个风格不同的模型，就足够应付大多数需求。这工具和外设一样，装好只是起步，怎么玩得顺手最终还是靠你摸清自己的使用习惯。

我自己是从完全不懂节点连线，一路踩坑到能自由搭建工作流，整个过程确实费了点时间，但走过来之后非常值得。希望这篇实测笔记能帮你省下我当年绕弯子的时间，尽快在 Windows 上看到自己亲手跑出来的第一张图。