ComfyUI从入门到实战：本地部署、工作流搭建与批量生成指南

很多人刚开始接触 ComfyUI 的时候都是这种感觉：别人生成的图效果很稳定，自己想复现却不知道从哪里下手。打开界面之后看到的不是表单，而是一堆节点和连线，英文命名，鼠标悬停也未必看得懂。

这次的内容是一套面向新手入门的 ComfyUI 实用教程，从本地部署到工作流搭建，再到接口调用和批量任务，重点解决“知道原理、能上手操作、出了问题能排查”这三件事。

ComfyUI 本质上是本地运行的 AI 绘画工作流引擎，核心思路是把 Stable Diffusion 这类图像生成模型的各个环节拆成独立节点，再通过连线组合成完整的工作流。相比传统 WebUI 的表单式操作，ComfyUI 更灵活、更容易复用，也适合批量处理和接口集成。代价是有一个理解节点逻辑的过程，但一旦跨过这个门槛，效率提升是实打实的。

这篇文章会从零开始，依次展开四块内容：ComfyUI 的核心能力和适用场景、本机环境准备与部署方式、文生图工作流的分步搭建、以及进阶功能、API 调用、批量任务和常见报错处理。想入门 AI 绘画，或者正准备从 SD WebUI 切到 ComfyUI 的读者，建议把文章收藏备用。

1. ComfyUI 核心能力速览

先给结论。ComfyUI 的核心能力可以总结为“把 AI 绘画流程搭成可视化管线”，具体能力如下表。

拆开来看，学习 ComfyUI 最直接的好处是“工作流可保存、可复现”。套用别人做好的工作流文件，把模型和参数补上，大概率能还原接近的效果。这种稳定性是纯手工调参很难做到的。

另外一点值得注意：ComfyUI 对低配置机器的容忍度比很多人想象的要高。显存有限时可以用低分辨率、少步数、低批次数来先跑通流程，再逐步提高参数。不过具体能开到多大，必须在自己的机器上实测。

2. 适用场景与使用边界

ComfyUI 适合什么人？以下几类比较典型：

• 想从零学习 AI 绘画原理，理解提示词、采样器、VAE 这些概念实际作用的用户。
• 需要稳定复用某一套生成风格或构图效果的创作者，比如电商素材、头像生成、创意设计。
• 有批量出图需求的内容生产者，比如给一批文案配图、给不同角色批量生成立绘。
• 开发者，需要把 AI 绘画能力接到自己的 Web 服务、脚本或工具箱中。

ComfyUI 不适合什么场景？如果只是想随手生成一两张图、不想了解节点关系，那直接用整合式 WebUI 会更快。ComfyUI 的灵活性建立在理解工作流结构的基础上，跳过原理直接套复杂工作流，改一个参数可能整条管线都报错。

使用边界也需要明确。AI 绘画不是“生成出来就能随便用”，以下几条必须注意：

• 不得生成违法、暴力、仇恨、色情内容，模型本身不区分使用意图，使用风险由操作者承担。
• 涉及真实人物肖像、特定风格 IP 形象、受版权保护的素材时，生成结果不得直接商用，必须确认授权范围。
• 本地部署会产生模型文件和大量输出图片，涉及隐私或敏感数据的环境要注意存储访问权限。
• API 服务如果开放到局域网或公网，必须加访问控制，避免被他人滥用。

从合规角度说，AI 绘画是创作工具，不是免授权通道。任何用于商业发布的内容，都要保留生成参数、模型来源授权记录，便于追溯。

3. ComfyUI 本地部署环境准备

部署 ComfyUI 并不复杂，但环境问题经常卡住新手。下面给一套通用检查清单。

3.1 硬件环境

• 显卡：NVIDIA 独立显卡优先，显存越大越省心。4G 显存可通过低分辨率参数运行轻量模型，运行 SDXL 类模型建议更高显存。
• 内存：建议 16GB 起步，8GB 也能跑但容易在加载大模型时出现内存不足。
• 磁盘：模型文件通常几个 GB 到几十个 GB，至少预留 20GB 以上空间，实际以安装模型为准。
• 操作系统：Windows 10/11 最常用，Linux 适合服务器部署，macOS 可以运行但显卡计算效率有限。

3.2 软件环境

• NVIDIA 驱动：更新到较新版本，保证 CUDA 运行时可用。
• Python：ComfyUI 官方依赖走 Python 环境，建议使用 Python 3.10 或 3.11 版本，具体以项目文档为准。
• Git：用于拉取官方仓库。
• 虚拟内存：Windows 下如果生成大图时出现“内存不足”或直接闪退，可以适当调大系统虚拟内存。

设置虚拟内存的方法是：右键“此电脑”-> 属性 -> 高级系统设置 -> 性能“设置” -> 高级 -> 虚拟内存“更改” -> 取消“自动管理” -> 选择安装盘 -> 自定义大小，初始值和最大值可以按物理内存的 1.5 到 2 倍来填。需要注意的是，设置虚拟内存只能缓解内存不足，不能替代显卡显存。

3.3 网络与下载

ComfyUI 本体代码体积不大，卡住新手的主要是模型下载。Checkpoint 模型文件动辄几个 GB，下载时需要稳定的网络环境。如果下载困难，可以使用国内镜像站或整合包作者提供的模型迁移方式。

3.4 端口准备

ComfyUI 默认端口是 8188。启动前检查该端口是否被占用，如果被占用，可以换一个端口启动，例如 8189。

4. ComfyUI 安装部署与启动方式

ComfyUI 的安装方式主要有三种：整合包、官方源码、Docker。新手建议优先整合包，想深入了解或做二次开发建议源码部署。

4.1 方式一：整合包一键启动

整合包是目前新手最友好的方式。以常见的秋叶整合包为例，一般包含 Python 运行时、依赖库、常用节点和部分基础模型，解压后基本可以直接使用。

流程大致如下：

1. 下载整合包压缩包，解压到本地目录，路径不要带中文和空格。
2. 进入目录，找到启动脚本，通常是一个.bat或.exe启动器。
3. 双击运行，等待终端输出提示信息。
4. 启动完成之后，终端会显示访问地址，一般是http://127.0.0.1:8188。
5. 用浏览器打开这个地址，进入 ComfyUI 的 Web 界面。

整合包的优点是省去了环境配置，缺点是更新需要等作者发布新版本，或者自己手动替换核心文件。使用前确认整合包来源可靠，避免下载到捆绑恶意软件的文件。

4.2 方式二：官方源码部署

源码部署适合喜欢自己掌控环境的人，操作也不复杂。

安装依赖建议使用虚拟环境：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python -m venv venv # Windows 激活虚拟环境 venv\Scripts\activate # Linux/macOS 激活虚拟环境 source venv/bin/activate pip install -r requirements.txt

依赖安装完成后，启动服务：

python main.py

默认访问地址是http://127.0.0.1:8188。如果需要修改监听地址或端口：

# 监听所有网卡，端口改成 8288 python main.py --listen 0.0.0.0 --port 8288

如果显存有限，可以开启低显存模式：

python main.py --lowvram

如果完全使用 CPU 推理：

python main.py --cpu

源码部署相比整合包的另一个优势是更新方便。进入 ComfyUI 目录后：

git pull pip install -r requirements.txt

重新启动就有新功能。

4.3 方式三：Docker 部署

服务器或隔离环境部署建议 Docker。ComfyUI 官方仓库提供了 Dockerfile，社区也有第三方镜像。基本思路是：拉取镜像，挂载模型目录和输出目录，映射 8188 端口。

启动命令示例：

docker run -d \ --name comfyui \ -p 8188:8188 \ -v /path/to/models:/app/models \ -v /path/to/output:/app/output \ comfyui-image

具体镜像名称和挂载路径需要按实际镜像文档调整。

4.4 Ubuntu 系统部署注意事项

Linux 环境下安装 ComfyUI，除了官方依赖外，可能还需要安装一些系统级依赖，例如：

sudo apt update sudo apt install python3.10-venv python3.10-dev

NVIDIA 用户需要提前装好驱动和 CUDA 工具包。启动脚本同样使用python main.py，如果遇到 libGL 缺失等问题，安装对应系统库即可。

5. ComfyUI 核心概念与界面认识

正式搭建工作流之前，必须先理解几个核心概念。弄懂这些，节点连接就不会觉得乱。

5.1 节点与连线

ComfyUI 的工作区由节点组成。每个节点负责一个环节，比如加载模型、编码文字、采样生成。节点之间有输入端口和输出端口，通过连线把数据从一个节点传递到下一个节点。理解数据流向是 ComfyUI 的核心能力。

5.2 Checkpoint 模型

Checkpoint 是 Stablediffusion 的基础模型文件，格式通常是.safetensors。它包含了生成图像所需的大部分权重。在 ComfyUI 中，Checkpoint 加载节点可以同时输出模型、CLIP 编码器和 VAE，分别连接到后续节点。

模型文件放到ComfyUI/models/checkpoints/目录下。

5.3 CLIP 文本编码器

CLIP 文本编码器负责把文本提示词编码成 AI 能理解的向量，输出正向条件向量和负向条件向量。正向提示词描述想要的内容，负向提示词描述不想出现的内容。

5.4 KSampler 采样器

KSampler 是工作流里的核心生成节点。参数包含seed、steps、cfg、sampler_name、scheduler、denoise。这些参数决定了生成过程的质量和随机性。

这里顺便解释一个高频问题：KSampler 里的 CFG 是什么意思。

CFG 全称是 Classifier Free Guidance，也就是“无分类器指导”。它控制生成结果贴合提示词的程度。CFG 值调高，图像更贴合提示词，但过高容易出现颜色过饱和、对比度过强的问题；CFG 值调低，生成更自由，但可能出现跑题。常见范围在 1 到 20 之间，基础模型默认常用 7 左右。实际使用中需要根据模型和提示词微调，稳定输出比追求固定数值更重要。

5.5 VAE

VAE 负责把模型生成的潜空间向量解码成普通图片。如果不接 VAE，输出的图像往往会灰蒙蒙一片。Checkpoint 本身通常内置 VAE，可以通过加载节点直接输出。

5.6 潜空间

扩散模型生成时并不是直接在像素空间生成，而是在一个压缩后的“潜在空间”中迭代。所以工作流中会出现“空 Latent”节点，这个节点相当于给采样器准备一张空白画布，画布大小就是最终输出图片的分辨率。

5.7 模型目录结构

模型文件按类型放入对应目录：

自定义节点生成的模型也有自己的目录规范，安装时注意看说明。

6. 从零搭建文生图工作流

这是新手最需要掌握的一个流程。下面以“文生图”为例，逐步搭建一条完整工作流。

6.1 新建工作流

打开 ComfyUI 后，界面默认会加载一个简单的工作流。如果已经被改乱了，可以在菜单中找到“加载默认工作流”或按快捷键恢复默认。

6.2 添加节点

文生图最小工作流包含以下节点：

1. Load Checkpoint：加载基础模型。
2. CLIP Text Encode（正向）：输入正向提示词。
3. CLIP Text Encode（负向）：输入负向提示词。
4. Empty Latent Image：设置生成图片的分辨率和批次数量。
5. KSampler：采样生成。
6. VAE Decode：把潜空间结果解码为图片。
7. Save Image：保存图片输出。

添加节点的方法是：在空白处双击鼠标，弹出节点搜索框，输入节点名称回车即可。

6.3 节点连接

连接顺序如下：

• Load Checkpoint的MODEL输出，连接到KSampler的model输入。
• Load Checkpoint的CLIP输出，连接到正向CLIP Text Encode的clip输入。
• Load Checkpoint的CLIP输出，连接到负向CLIP Text Encode的clip输入。
• 正向CLIP Text Encode的CONDITIONING输出，连接到KSampler的positive输入。
• 负向CLIP Text Encode的CONDITIONING输出，连接到KSampler的negative输入。
• Empty Latent Image的LATENT输出，连接到KSampler的latent_image输入。
• KSampler的LATENT输出，连接到VAE Decode的samples输入。
• Load Checkpoint的VAE输出，连接到VAE Decode的vae输入。
• VAE Decode的IMAGE输出，连接到Save Image的images输入。

这个连接过程是训练工作流思维的入口。连错时会看到节点输入端口没有被接满，点击“保存工作流”之前一定先检查连线是否完整。

6.4 设置参数

基础参数参考：

• 正向提示词：a cute cat, soft lighting, best quality, 8k
• 负向提示词：blurry, low quality, bad anatomy, watermark
• 宽高：512x512或768x768
• 步数：20
• CFG：7
• 采样器：euler_ancestral
• 调度器：normal
• 批次数量：1

6.5 执行工作流

点击界面右侧的“执行”按钮，或按快捷键Ctrl+Enter。执行过程中可以观察到节点边框状态变化。当前执行节点会高亮，报错节点会变红并弹出错误提示。

6.6 保存与导出工作流

运行成功之后，把工作流保存下来。ComfyUI 原生支持把工作流保存为.json文件。需要注意，界面菜单里有两种导出方式：一种是保存“前端工作流 JSON”，适合再次导入界面重新调整；另一种是“导出 API 格式 JSON”，适合用代码提交到接口。新手两种都要会用。

6.7 验证成功标准

• 点击执行后没有红色节点报错。
• 输出栏出现生成图片。
• 生成图片清晰度正常，与提示词相关。
• Save Image节点指定的输出目录中能看到图片文件。

如果图片质量不理想，先检查提示词、采样步数、CFG 数值，不要一上来就堆模型。

7. 进阶功能：局部重绘、ControlNet 与视频生成

基础文生图跑通之后，就可以按需扩展工作流。

7.1 图生图

图生图是在已有图片基础上重绘。通过Load Image节点加载图片，经过 VAE（编码潜空间）后输入到 KSampler，同时把denoise调整到 0.5 到 0.8 之间，控制保留原图特征的比例。denoise是图生图最重要的参数，值越接近 1，生成结果与原始图差异越大。

7.2 局部重绘

局部重绘需要搭配蒙版。流程一般是：加载原图，对照蒙版区域，通过VAE Encode把原图和蒙版一起编码进潜空间，再送入 KSampler。这样只有蒙版区域会被重绘，其余区域保持原样。适合修脸、换服装饰品、修复背景等操作。

7.3 ControlNet 控制生成

ControlNet 主要用于控制生成图的构图和结构，比如导入一张姿势图或线稿图，让生成结果保持同样的结构。使用它需要：

1. 安装 ControlNet 的自定义节点和对应模型文件。
2. 准备参考图片，比如姿势图、线稿图、深度图。
3. 加载 ControlNet 节点，把参考图片作为输入。
4. 把 ControlNet 输出连接到 KSampler 的 model 输入链路中。

ControlNet 的参数中strength控制影响强度，建议先用 0.6 到 0.8 测试稳定度。

7.4 LoRA 模型

LoRA 是轻量微调模型，用在基础模型之上，用来控制风格或角色一致性。在基础工作流中加入LoRA Loader节点，把LoraLoader的MODEL和CLIP输出分别接到原有链路中即可。LoRA 权重建议从 0.6 到 0.8 开始测试，权重过高容易出现动作僵硬或过拟合问题。

7.5 视频生成模型

ComfyUI 也支持一些视频生成模型，比如 LTX Video 等。这类工作流通常会比文生图复杂，需要额外的视频编解码节点、帧率参数、视频长度参数。显存占用明显高于普通图片生成，建议先以短时长、低分辨率、少帧数测试，确认显存能承受之后再逐步放大参数。

7.6 插件与自定义节点

ComfyUI 的自定义节点生态非常丰富，安装方式通常有两种：

1. 在 ComfyUI 目录下使用git clone把插件仓库拉取到custom_nodes/目录，然后重启。
2. 使用 ComfyUI Manager 这类管理器，在界面上搜索安装。

安装后如果节点不显示，重启服务并检查控制台日志，看插件是否成功加载。

8. 接口 API 与批量任务

ComfyUI 不只是图形界面工具，它内置的 HTTP API 可以让我们用脚本批量提交任务。对于批量出图，这是非常实用的能力。

8.1 获取 API 格式工作流

在 ComfyUI 界面中，点击“导出 API 格式”按钮，得到一个 JSON 文件。这个 JSON 里的节点是顺序排列的，节点之间的引用关系用["节点ID", 输出序号]表示。保存下来，后续脚本直接加载这个 JSON。

8.2 提交生成任务

ComfyUI 的接口地址默认是http://127.0.0.1:8188。提交任务的核心接口是POST /prompt。下面给出一个通用 Python 调用示例，实际使用时需要替换为从你自己工作流导出的 API JSON。

import requests import json import random server_addr = "http://127.0.0.1:8188" # 从文件加载工作流 API JSON with open("workflow_api.json", "r", encoding="utf-8") as f: workflow = json.load(f) # 修改提示词和采样参数 workflow["6"]["inputs"]["text"] = "a cute cat, soft lighting, best quality" workflow["5"]["inputs"]["width"] = 768 workflow["5"]["inputs"]["height"] = 768 workflow["3"]["inputs"]["steps"] = 25 workflow["3"]["inputs"]["cfg"] = 7 workflow["3"]["inputs"]["seed"] = random.randint(0, 2**32) # 提交任务 response = requests.post( f"{server_addr}/prompt", json={"prompt": workflow}, timeout=60 ) print(response.json())

返回结果中包含prompt_id，之后可以用这个 ID 查询任务状态：

prompt_id = response.json()["prompt_id"] history = requests.get(f"{server_addr}/history/{prompt_id}") print(history.json())

8.3 批量生成任务

批量生成的思路是：加载同一个工作流 JSON，每次修改 seed 和提示词，循环提交任务。

import requests import json import random import time server_addr = "http://127.0.0.1:8188" with open("workflow_api.json", "r", encoding="utf-8") as f: workflow = json.load(f) for i in range(5): workflow["3"]["inputs"]["seed"] = random.randint(0, 2**32) workflow["6"]["inputs"]["text"] = f"a cute cat, variant {i+1}, best quality" resp = requests.post( f"{server_addr}/prompt", json={"prompt": workflow}, timeout=60 ) print(f"第 {i+1} 次提交结果:", resp.json()) time.sleep(2)

批量任务需要注意几点：

• 确认磁盘输出目录有足够空间，避免写到一半写满。
• 任务之间的间隔不要太短，让显卡有时间完成当前任务。
• 失败任务要记录prompt_id或参数快照，方便排查。
• 提交任务前先跑一遍最小规模测试，确认工作流本身不报错。

8.4 上传图片

使用图生图或 ControlNet 时，可以通过接口上传参考图：

upload_url = f"{server_addr}/upload/image" with open("reference.png", "rb") as f: files = {"image": ("reference.png", f, "image/png")} resp = requests.post(upload_url, files=files) print(resp.json())

上传成功后，工作流中对应节点引用本地文件路径即可。

9. 资源占用与性能观察

本地跑 AI 绘画，最容易焦虑的就是显存和速度。这里给出观察和优化思路。

9.1 显存观察方法

Windows 下按Ctrl+Shift+Esc打开任务管理器，切到“性能”标签页，选择 GPU 查看“专用 GPU 内存”。Linux 下用nvidia-smi命令实时观察显存占用。ComfyUI 的控制台日志也会打印执行耗时和模型加载信息。

9.2 显存不足的处理顺序

当出现 CUDA out of memory 错误时，按优先级处理：

1. 降低分辨率，例如从 1024x1024 降到 768x768。
2. 把批次数量batch_size改为 1。
3. 减少采样步数，例如从 30 降到 20。
4. 开启低显存模式启动参数--lowvram。
5. 检查是否有多个 Python 进程占用了显存。
6. 重启 ComfyUI 服务，释放残余显存。

9.3 CPU 推理与 GPU 推理

CPU 推理在兼容性上没问题，但速度差距非常大，通常只适合没有独立显卡的机器做功能验证，不适合批量出图。如果机器支持 CUDA，但 ComfyUI 仍在用 CPU，检查驱动和 PyTorch 是否为 CUDA 版本。

9.4 什么会影响生成速度

决定生成速度的主要因素：

• 分辨率：分辨率越大，花的时间越多。
• 步数：采样步数越多越慢，但也不是越多越好。
• 使用的模型：大模型比轻量模型更慢。
• 批量数：一次生成多张图会明显增加显存占用。
• 后台程序：浏览器开太多页面、其他 Python 任务也会挤占资源。

9.5 减少性能压力的日常习惯

• 验证工作流时先用小图和低步数跑通，再切换到正式参数。
• 长时间不用的模型节点全部关闭，避免重复加载。
• 输出文件名使用带批次和时间戳的命名，便于管理。
• Windows 用户注意系统虚拟内存设置，尤其是使用 8GB 内存的机器。

10. 常见问题与排查方法

10.1 节点在执行过程中发生错误

这是新手最常遇到的报错，点击执行后弹窗提示“节点在执行过程中发生错误”，对应节点会变红。处理思路是先看弹窗里的错误类型，再去控制台找完整堆栈信息。

10.2 ComfyUI 工作流经常变红

一换模型就报错，很可能是当前工作流依赖了该模型不具备的输出能力，例如 SDXL 工作流换到 SD1.5 模型后被要求输出 SDXL 专用的 CLIP 编码。建议把工作和模型绑定起来，在工作流文件名上注明适用模型。

10.3 找不到某个节点

找不到节点通常是因为自定义节点未安装，或 ComfyUI 版本过旧。先更新 ComfyUI，再安装对应插件。安装后必须重启服务，浏览器页面同步刷新。

10.4 图片输出模糊或颜色异常

颜色异常优先检查 VAE 是否连接正确。模糊检查分辨率和采样步数，同时确认是否使用了过高的denoise值进行图生图。

11. 最佳实践与使用建议

11.1 先小参数跑通，再上正式参数

任何新工作流，先以512x512、20 步、batch_size=1跑通，确认输出正常后再调分辨率和步数。这样可以快速定位是工作流问题还是参数问题。

11.2 保存一套最小可用配置

把文生图、图生图、局部重绘各保留一套最小可用工作流，打好版本标记。以后模板被改乱了，能快速恢复。

11.3 目录统一管理

模型文件、输入素材、输出结果分成三个顶级目录：

• models/：按 checkpoint、lora、vae、controlnet 分子目录。
• inputs/：存放参考图、批次任务输入。
• outputs/：按日期或项目名划分子目录保存生成结果。

批量任务的输出命名建议包含时间戳或批次号，比如20250101_001.png。

11.4 批量任务要加日志和重试机制

批量跑图不是点一次就完的，中间可能因为显存占用、模型加载失败等原因中断。正确做法是：

• 每次提交前把参数快照写入日志。
• 记录每个任务的prompt_id。
• 失败任务重新提交，不能一直跳过。

11.5 接口服务控制访问范围

ComfyUI 默认监听127.0.0.1，只有本机能访问。如果需要开放到局域网，务必加防火墙和访问控制，避免被其他人批量调用消耗资源。

11.6 涉及人脸、声音、版权素材必须确认授权

不管是用图生图重绘人脸，还是用 ControlNet 参考特定风格图，都要确认素材来源合法。用于商业发布之前，逐张审核输出内容，保留来源模型和参数记录，防止版权纠纷。

12. 总结与下一步

ComfyUI 最值得尝试的点在于：它把 AI 绘画从“碰运气调参”变成了“搭管线、复现结果”。对于想认真做 AI 绘画的人来说，这个学习投入非常值。

最先要验证的功能一定是文生图基础工作流，这条路走通了，其他功能就只是在它上面加节点。

最容易踩的坑有三个：模型文件放错位置、节点连线没接满、在复杂工作流上直接开高参数导致显存爆炸。把这三点避开，新手期能少走大半弯路。

后续扩展方向可以从局部重绘开始，然后依次尝试 ControlNet、LoRA、批量任务接口，逐步把 ComfyUI 变成自己内容生产链路里的一个稳定环节。ComfyUI 的社区更新很快，模型和节点也在快速迭代，保持对官方仓库和主流自定义仓库的关注，能第一时间用上新特性。

建议先动手把环境搭起来，跑通第一张图，再回来看进阶内容。