ComfyUI 本地部署完全指南：IT大叔的Stable Diffusion工作流搭建实战

玩 AI 画图最让人崩溃的是什么？不是显卡不够，不是模型跑不动——是装完 ComfyUI 打开界面，看到那一堆空白节点发呆，完全不知道从哪下手。去年我折腾 Stable Diffusion WebUI 踩了俩月坑，今年转 ComfyUI 又踩了一个月。这篇文章不聊虚的，直接把我本地部署 ComfyUI 的全流程和 3 个最常用的工作流给你整理出来。

ComfyUI 到底是什么？和 WebUI 比好在哪？

首先说结论：如果你想认真玩 Stable Diffusion 出图，ComfyUI 迟早要学。WebUI（比如 Stable Diffusion WebUI Forge）把操作界面做得非常”傻瓜化”——适合小白快速上手。但代价是：可控性差、资源利用低、批处理效率不行。

ComfyUI 用了节点图（Node Graph）的方式组织整个生图流程。每个节点做一件事——加载模型、写提示词、设置采样器、放大图片——然后用连线串起来。一开始看着复杂，但你熟悉之后会发现：同样的配置，ComfyUI 的显存占用比 WebUI 低 20-30%，而且工作流可以整个保存分享，换个模型跑图完全不用重新配参数。

说个大实话：上次我用 WebUI 跑一组 12 张图的批量对比测试，显存 8G 的卡跑 15 分钟崩了 3 次。换 ComfyUI，同样的模型和参数，8 分钟跑完，一次都没崩。就是这个差距。

环境要求：你的机器能不能跑？

这是我实测过的硬件门槛：

• 最低配置：NVIDIA 显卡 4GB 显存（GTX 1660 / RTX 3050），跑 SD 1.5 模型，512×512 出图无压力
• 推荐配置：RTX 3060 12GB 或 RTX 4060Ti 16GB，可以流畅跑 SDXL 模型，出 1024×1024 图
• 爽玩配置：RTX 4090 24GB，SDXL / FLUX 模型随便跑，还能同时跑 ControlNet + Tiled VAE

系统方面，推荐 Linux（Ubuntu 22.04+）或 Windows 10/11。我主力是 Linux 系统，用 Docker 或者裸装都行。Windows 用户就直接用整合包或者手动装。

显存不够怎么办？两个路子：一是用 --lowvram 模式启动 ComfyUI，二是加 --force-fp16 用半精度推理。6GB 的卡也能跑 SDXL，只是要等久一点。

第一步：安装 ComfyUI（Linux 裸装版）

如果你有自己的服务器或者 Linux 开发机，直接装原版最稳：

# 安装依赖
sudo apt update && sudo apt install -y python3-pip python3-venv git wget

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

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate

# 安装 PyTorch（根据你的 CUDA 版本选对应的命令）
# CUDA 12.1：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
# CUDA 11.8：
# pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 安装 ComfyUI 依赖
pip install -r requirements.txt

安装完就可以启动了：

# 启动（默认 0.0.0.0:8188，局域网内其他设备也能访问）
python main.py --listen 0.0.0.0 --port 8188

# 显存不够的加 lowvram 参数
# python main.py --listen 0.0.0.0 --port 8188 --lowvram

浏览器打开 http://你的IP:8188，看到节点界面就成功了。

Docker 部署（多节点架构推荐）

因为我在本地有多个 GPU 节点，所以给 ComfyUI 做了 Docker 化部署。这样图像生成任务可以调度到专门的推理节点上跑，不占主机的显存：

# docker-compose.yml
version: "3.9"
services:
  comfyui:
    image: nvidia/cuda:12.1.1-runtime-ubuntu22.04
    container_name: comfyui
    ports:
      - "8188:8188"
    volumes:
      - ./ComfyUI:/workspace/ComfyUI
      - ./models:/workspace/ComfyUI/models
      - ./output:/workspace/ComfyUI/output
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
    working_dir: /workspace/ComfyUI
    command: >
      bash -c "pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 &&
               pip install -r requirements.txt &&
               python main.py --listen 0.0.0.0 --port 8188"
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    restart: unless-stopped

如果你也在多节点环境（比如 PVE 虚拟化 + 多卡），强烈建议把 ComfyUI 放在单独的推理节点上，不要跟 Ollama、IndexTTS 这些服务抢显存。一个节点一个任务，好用。

第二步：下载模型，立刻能用

ComfyUI 默认不带你需要的模型，你得自己下。模型放在 ComfyUI/models/checkpoints/ 目录下：

cd ComfyUI/models/checkpoints/

# SD 1.5 经典模型（4G 显存就能跑）
wget https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned-emaonly.ckpt

# SDXL 模型（推荐，画质飞跃）
wget https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors
wget https://huggingface.co/stabilityai/stable-diffusion-xl-refiner-1.0/resolve/main/sd_xl_refiner_1.0.safetensors

# 写实风 — Realistic Vision V6.0
wget https://huggingface.co/SG161222/Realistic_Vision_V6.0/resolve/main/Realistic_Vision_V6.0_fp16.safetensors

注意：.safetensors 格式比 .ckpt 更安全、加载更快。现在新模型基本都出 safetensors 格式了，优先选它。

第三步：三个实战工作流，从入门到进阶

工作流 1：基础文生图

最简单的 Hello World 级别工作流——输入提示词，出图。需要这些节点：

1. Checkpoint Loader ：加载模型（选你刚下载的 .safetensors）
2. CLIP Text Encode （Prompt）：写正向提示词
3. CLIP Text Encode （Negative Prompt）：写反向提示词
4. Empty Latent Image ：设置图片尺寸（SDXL 用 1024×1024，SD1.5 用 512×512）
5. KSampler ：采样器（seeds 随机，steps 设 20-30，CFG 设 7）
6. VAE Decode ：把潜空间结果解码成图片
7. Save Image ：保存图片到 output 目录

连线方式：模型节点 → CLIP → KSampler → VAE Decode → Save Image，一条链串下来就行。跑通了这张图，你就已经掌握了 ComfyUI 的基本逻辑。

给个能直接用的提示词感受一下：

# 正向提示词（Positive Prompt）
cinematic shot of a cat wearing steampunk goggles, highly detailed, digital painting, artstation, sharp focus, dramatic lighting, intricate details

# 反向提示词（Negative Prompt）
ugly, blurry, low quality, deformed, disfigured, bad anatomy, extra limbs, watermark

工作流 2：图生图 + ControlNet 精准控制

这是我最常用的工作流——用一张线稿或照片，让 AI 按你的构图重新生成。关键节点：

1. Load Image ：加载参考图
2. ControlNet Loader ：加载 ControlNet 模型（推荐 Canny 或 Depth）
3. Preprocessor ：预处理参考图
4. 接上基础工作流的 KSampler，Denoise 设 0.6-0.8（值越低越像原图）

ControlNet 需要额外下载模型，放到 ComfyUI/models/controlnet/：

cd ComfyUI/models/controlnet/
wget https://huggingface.co/lllyasviel/ControlNet-v1-1/resolve/main/control_v11p_sd15_canny.pth

实际应用场景：我经常把毛坯房照片丢进去，用 Depth ControlNet 保持结构，加 “现代极简装修风格” 的提示词，直接生成效果图。比 Midjourney 可控多了。

工作流 3：高清放大（Hires Fix + Upscale）

SDXL 直接出的 1024×1024 放大到 4K 级别，这个工作流必不可少：

1. 基础文生图出图后，不直接 Save
2. 接 LatentUpscale 节点（2x 或 4x 放大）
3. 再接一个 KSampler（Denoise 设 0.3-0.5，补充细节）
4. 最后 VAE Decode + Save

这种两步生图的方式，比直接出大图显存占用低很多，画质反而更好。第一次采样画轮廓，第二次补充细节和纹理。

常见坑和避雷指南

这些坑我每个都踩过，你大概率也会遇到：

• CUDA Out of Memory：这是最常见的。解决思路：换小模型（SD1.5 替代 SDXL）、降图片尺寸、加 --lowvram 参数、或者用 Tiled VAE 插件（显存不够时把图片分块处理）
• 模型加载后不生效：检查模型文件是不是放对路径了。Checkpoint 放 models/checkpoints/，LoRA 放 models/loras/，VAE 放 models/vae/。放错地方 ComfyUI 读不到
• 出的图全是黑色或者纯色：一般是 VAE 没加载对。SDXL 需要配套的 VAE 文件（sd_xl_vae.safetensors），在加载模型后显式加上 VAE Loader 节点
• ControlNet 不生效：检查你的 ControlNet 模型版本是否匹配基础模型。SD1.5 的 ControlNet 不能用在 SDXL 上，反之亦然

总结：ComfyUI 值得学吗？

如果你只是偶尔玩一下 AI 画图，WebUI 就够了，不需要强上 ComfyUI。但如果你——

• 需要批量出图，接了自动化流程
• 想精确控制生成的每层细节
• 显存有限但想跑好模型
• 打算用多机多卡架构

那 ComfyUI 是一定要学的。入门需要 1-2 天的适应期，但适应之后你会发现——之前用 WebUI 绕的路，ComfyUI 一步到位。

下一篇我会写 ComfyUI 的高级工作流：视频转绘（AnimateDiff）、IP-Adapter 换脸、以及怎么把 ComfyUI 通过 API 接入你自己的自动化流程。关注 IT大叔的工具箱，别错过了。