如果你准备在 2026 年认真学 AI 出图、出视频的工作流ComfyUI 基本是绕不开的一环。它不是普通的“填提示词点生成”页面而是一套节点式、可视化、可以本地运行的工作流工具适合用来搭文生图、图生图、局部重绘、批量出图以及视频生成流程。节点式界面第一次看确实有点不习惯但弄懂节点连接逻辑之后你会发现它的优势很明显每一步操作都看得见参数可复用工作流可以保存成文件发给别人还能通过接口提交任务。这次这篇就按零基础到进阶的顺序来写先判断你适不适合玩 ComfyUI再讲本地环境怎么准备、整合包和手动部署怎么选然后带你把模型放好、搭一个最小出图工作流、做第一次生成验证接着就是插件安装、缺失节点排查、加载社区工作流、视频生成扩展最后是接口 API 和批量任务。中间会穿插显存占用观察、性能优化和常见报错排查内容偏向实操建议收藏备用。围绕“ComfyUI 工作流 本地环境部署 插件安装 节点搭建”这条主线下面直接进入正题。1. ComfyUI 核心能力速览先给你一张速览表看完基本能判断 ComfyUI 是不是你需要的东西。能力项说明项目类型节点式可视化 AI 工作流工具支持本地部署核心交互在画布中连接不同“节点”组成可复用的工作流主要功能文生图、图生图、局部重绘、ControlNet 控制、模型微调辅助、视频生成等界面模式浏览器 Web 界面默认端口一般为 8188模型支持依赖 PyTorch 生态可跑多种本地图像生成模型插件扩展通过custom_nodes目录加载社区插件工作流复用可保存为 JSON/PNG拖动文件即可恢复画布接口能力支持通过 API 提交工作流任务适合批量处理批量任务可将多个任务送入队列按顺序执行显存占用没有固定值由模型、分辨率、步数、插件共同决定推荐硬件有 NVIDIA GPU 体验最好低显存也能跑但需控制参数新手友好度学习曲线比一键出图工具高但整合包能明显降低门槛这里要单独说明一下“显存占用”。ComfyUI 本身不是模型它是执行框架吃显存的是加载到 GPU 上的图像生成模型。512 分辨率小图、轻量基础模型和一上来就开 1024/2048 分辨率、加载大模型的场景显存占用可能是好几倍差距。所以网上看到“8G 够不够”“12G 能不能玩”这类问题不能只看单个答案要结合具体工作流来评估。如果之前跑过 Stable Diffusion WebUI你会发现 ComfyUI 能做的大部分事WebUI 也能做到但 ComfyUI 的优势在于流程可视化、工作流可分享、批量可控性更强。很多进阶玩家和团队最终都把重活放到 ComfyUI 上跑。2. 适用场景与使用边界ComfyUI 适合谁按我理解可以分成三类。第一类是模型玩家。你想比较不同基础模型、LoRA、采样器、步数、CFG 对出图的影响。ComfyUI 的节点参数全部平铺在画布里改一个采样器、换一个 LoRA 都很直观不用在页面里反复切换设置项。第二类是批量生产和自动化玩家。这里特指已经有明确出图规范、需要反复执行同一套流程的人。比如每天生成一批商品场景图、批量跑推荐图、把出图流程接到自己的小工具里。这种需求用 ComfyUI 很合适工作流做一次后面全部复用。第三类是社区工作流学习玩家。很多设计师、AI 绘画博主会公开自己的工作流文件可能是 PNG 或 JSON导入 ComfyUI 就能还原整个搭建过程。你可以拆开看每个节点参数理解别人怎么做图、怎么做视频比视频教程更高效。那什么场景不适合如果你只是偶尔想点一下生成一张好看头像不想理解任何节点逻辑那 WebUI 或在线工具更方便。ComfyUI 的“自由度”同时意味着“复杂度”你不能完全跳过概念去点按钮。使用边界也必须说清楚。ComfyUI 能不能用不取决于软件本身而是取决于你加载的模型、训练的 LoRA、使用的输入素材。模型训练素材的授权范围、输入图片是否包含他人肖像、生成视频是否涉及版权角色或品牌元素都需要你自行确认。本地 AI 工具不等于没有侵权风险发布、商用前一定要做来源审核。3. 本地部署环境准备硬件、软件与前置条件3.1 硬件门槛怎么判断ComfyUI 最常用的部署环境还是 NVIDIA GPU Windows/Linux。判断门槛最简单的方式是看你之前能不能跑同级别的 PyTorch 图像生成模型。能跑那么 ComfyUI 跑同类模型基本也在同一水平。低显存 GPU 可以尝试跑但要注意三点。第一优先选择对显存友好的轻量模型不要一上来就加载超大模型。第二出图分辨率从小到大慢慢试先在 512 左右验证流程能不能走通。第三如果显存不足就需要配合低显存启动参数或者分步处理。显存和分辨率、步数、批量大小直接相关实际占用要以本机任务管理器或监控工具观察为准。如果使用 AMD、Intel 显卡或纯 CPU也能装 PyTorch 对应的运行版本但性能和兼容性会比 NVIDIA 方案麻烦。对新手来说除非完全没有 NVIDIA 卡否则不建议一上来就走那条路。3.2 软件环境手动部署 ComfyUI 需要一个相对干净的环境。建议准备系统Windows 10/11、主流 Linux 发行版Git用于拉取 ComfyUI 仓库和插件Python3.10 或以上版本具体版本看项目 README 要求显卡驱动确保 GPU 驱动已正常安装CUDA/PyTorch驱动支持的情况下安装对应 CUDA 版本的 PyTorch如果你用的是整合包Python、Git、PyTorch 环境一般都替你打包好了这部分可以跳过。手动部署时虚拟环境一定要建。很多人直接在系统 Python 里装一堆依赖后面不同项目冲突时很难收拾。3.3 磁盘和目录空间下载 ComfyUI 本体占用的空间不算大真正占空间的是模型文件。一个完整的图像生成模型常常是几个 GB 甚至几十 GB视频模型更夸张。建议预留至少 50GB 以上空间如果还要下载多个视频模型100GB 以上更稳妥。另外ComfyUI 默认会有models、custom_nodes、input、output这类目录。平时把模型文件、工作流文件、素材和输出分开管理后面排错会轻松很多。4. 安装部署与首次启动整合包和手动两条路线4.1 路线一整合包适合快速入门对从没碰过 Git、Python、虚拟环境的新手第一套建议是整合包。标题里提到的“秋叶整合包”就是社区里比较常见的打包形式核心价值是把 ComfyUI 主程序、运行库、启动器和部分前置依赖打包成一个完整目录。拿到后一般只需要解压再启动对应的图形化启动器或启动脚本。整合包也有使用注意事项来源一定要可信。解压后先看文件校验信息别直接双击来源不明的东西。杀毒软件可能对启动器报错。不要急着加信任先确认文件来源和校验值确认没问题再操作。整合包通常带有自己的 Python 环境。之后手动安装插件依赖时要分清当前 pip 装到了哪个环境里否则插件会报“找不到包”。整合包的启动流程一般是解压到目标目录双击启动器选择 GPU/CPU 启动等日志出现访问地址再用浏览器打开。不同整合包界面差异不小这里不展开具体按钮以你实际下载包的说明为准。不过整合包适合“先用起来”不适合“永远依赖”。后期装插件报错、想升级依赖、要排查环境问题时还是需要知道项目目录结构和 pip 逻辑。4.2 路线二手动部署理解依赖关系的必经路线手动部署没有想象中难核心就是四步拉代码、建虚拟环境、安装依赖、启动服务。下面是一个通用的命令流程# 拉取 ComfyUI 源代码 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建并激活虚拟环境Windows 和 Linux 命令有差异 python -m venv venv # Windows 激活 venv\Scripts\activate # Linux/macOS 激活 # source venv/bin/activate # 安装 PyTorch这里以 CUDA 12.1 为例实际按你的驱动环境选择 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 安装 ComfyUI 其余依赖 pip install -r requirements.txt这段命令里最需要关注的是 PyTorch 的 CUDA 版本。不同显卡驱动支持的最高 CUDA 版本不同安装前可以通过nvidia-smi查看驱动版本信息再选择匹配的 PyTorch 安装命令。如果驱动版本很老装了新版 PyTorch 很可能出现 GPU 不可用但 CPU 能跑的情况。依赖安装完成后启动服务# 本机调试默认只允许本机访问 python main.py --listen 127.0.0.1 --port 8188启动日志会输出当前加载到了 CPU 还是 GPU还会提示浏览器访问地址。如果只在本机用--listen 127.0.0.1就够了要让局域网内其他设备访问再考虑改成0.0.0.0但要注意访问控制和本地防火墙。4.3 首次启动与默认工作流启动成功后浏览器打开http://127.0.0.1:8188。ComfyUI 默认会加载一个基础文生图工作流。这个默认工作流通常已经连好“加载模型 - 正向提示词 - 负向提示词 - 采样器 - VAE 解码 - 保存图片”的一整套链路。如果你还没放任何模型页面里的 Load Checkpoint 节点通常会报错或者模型列表为空。这不是软件坏了而是模型目录里还没有 checkpoint 文件。把模型放进去再点击节点上的刷新按钮或重启服务就能在下拉列表里看到。5. 从零开始搭工作流模型放置、节点搭建与出图验证5.1 模型文件放哪里ComfyUI 的模型目录默认是项目下的models里面又按用途区分子目录。常见的包括ComfyUI ├─ models │ ├─ checkpoints # 基础模型比如常见的大模型 │ ├─ loras # LoRA 模型 │ ├─ vae # VAE 模型 │ ├─ controlnet # ControlNet 模型 │ └─ clip # CLIP / 文本编码相关 ├─ custom_nodes # 插件 ├─ input # 输入素材 └─ output # 输出结果把下载好的模型文件放入对应目录即可。比如 checkpoint 模型放到models/checkpointsLoRA 放到models/loras。放入文件后在 ComfyUI 里刷新节点列表或者重启才能在对应节点下拉框里看到模型路径。新手容易犯的错误是“模型文件名和模型实际结构对不上”。比如把大模型命名为容易记的中文名其实没问题但 LoRA 名称、触发词、工作流里已有的引用要保持一致否则后续加载会失败。建议模型文件不要随便乱改名最好保留来源信息。5.2 “文生图”工作流需要的最小节点先理解 ComfyUI 的节点逻辑。一个关键思路是信息从上游节点流向后续节点后面节点拿到的输入来自前面的节点输出。所以搭建工作流不是随意排列节点而是沿着“模型加载 - 条件输入 - 采样生成 - 解码保存”的路径连接。最基础的文生图工作流一般包含这几类节点Load Checkpoint加载基础模型输出模型、CLIP、VAE 三路信息。CLIP Text Encode输入提示词文本输出条件向量。一个工作流通常要两个一个接正向提示词一个接负向提示词。KSampler接收模型、正向条件、负向条件执行采样输出潜空间图像。VAEDecode把采样结果从潜空间解码为像素图像。Save Image / Preview Image保存或预览图像。中间有一条容易忽略的线是KSampler 的model和positive、negative输入分别来自 Load Checkpoint 和 CLIP Text Encode。如果节点之间没有连线点击执行时就会提示缺少必要输入。5.3 连接与参数填写具体操作时可以直接双击画布空白处打开节点搜索框输入节点名称添加节点也可以用默认工作流调整。下面是一个通用的测试思路先填正向提示词和负向提示词。刚开始建议用英文短句中文提示词效果依赖模型是否支持。负向提示词可以填一些常见不希望出现的内容比如模糊、低质量之类的词但负向提示词不是万能的不要写太长。接着设置采样参数。分辨率先用小图比如 512x512 或者按模型建议分辨率来。步数可以从 20 开始CFG 从 7 左右开始。这些参数不是标准答案因为不同模型有不同最优区间目的只是先跑通流程。点击执行后ComfyUI 会进入排队状态日志和页面状态会显示当前进度。采样步数不同生成速度会差很多第一次建议用较小步数先看流程是否能跑通。5.4 出图判断标准与失败排查判断生成成功的标准很直接图像节点能看到输出保存节点写出文件工作流没有红色报错节点。常见的第一次失败原因有三个。第一模型没有加载成功。检查 Load Checkpoint 里是否选择了有效的模型路径模型是否完整放入目录。第二节点连线断开。KSampler 缺少 model、positive 或 negative 输入执行时会有明显报错提示。第三显存不足。日志提示 CUDA out of memory解决办法是降低分辨率、减小批次数或换轻量模型。如果出图是黑图、花屏或明显噪点优先检查 checkpoint 模型和 VAE 是否匹配以及 CFG、步数是否设置得过于极端。6. 插件安装、节点搭建进阶与社区工作流加载6.1 插件安装的三种方式ComfyUI 的扩展叫“自定义节点”放在custom_nodes目录下。系统启动时会扫描该目录把可用节点注册到画布节点的搜索列表里。插件安装一般有三种方式。第一种是直接把插件目录放入custom_nodes。如果插件有 Python 依赖还要进入插件目录安装requirements.txt。第二种是 Git clone 方式cd ComfyUI/custom_nodes git clone 插件仓库地址 cd 插件目录名 pip install -r requirements.txt这里的仓库地址要替换成实际的插件 Git 地址。安装完成后重启 ComfyUI 才能加载新节点因为插件的加载大多发生在启动阶段。第三种是用节点管理类插件在界面内安装。社区常见的管理插件叫 ComfyUI-Manager装好后可以在界面里浏览和管理缺失节点。但无论用什么方式下载插件前最好先看一眼仓库更新日期、README、star 数量这些基础信息避免安装来路不明的代码到本地环境中。安装插件最常见的问题不是下载失败而是把插件依赖安装到了“错误”的环境。如果你用的是整合包打开终端后必须先切换到整合包自带的 Python 环境再执行pip install。否则插件代码在运行但依赖装到系统 Python就会提示找不到模块。6.2 加载社区工作流报缺失节点怎么处理从社区下载的工作流很容易在导入后出现红色节点或提示缺失节点。原因是对方安装过你没有的插件和模型。处理方法分两步。第一步先区分“模型缺失”和“插件缺失”。模型缺失通常表现为节点还在但下拉列表里是空的或者模型路径变红。插件缺失则表现为整个节点变红甚至显示Missing nodes列表。第二步根据报错信息安装对应插件。打开自动保存的工作流或 PNG 元数据里的提示文本会列出缺失节点属于哪个插件。去插件管理界面搜索安装或者进入custom_nodes目录手动克隆安装后再重启 ComfyUI。有些社区工作流是旧版本节点即使装了对应当前版本插件也可能因为节点名称变化而匹配不上只能找原作者确认版本或者根据节点输入输出逻辑用手动节点替换。6.3 节点缺失报错通用排查加载工作流时提示“请安装缺失的包以使用此工作流”这通常出现在插件依赖未安装或 Python 环境不匹配。一个常见场景是作者在一个 Python 3.10 环境运行工作流你当前整合包用的环境可能是别的版本插件依赖安装之后仍报错。可以按下面顺序排查先确认当前 ComfyUI 实际使用的 Python 环境是哪一个。在custom_nodes下找到对应插件目录查看是否有requirements.txt。使用当前 ComfyUI 所在环境执行pip install -r requirements.txt。重启 ComfyUI再看节点是否有变化。这里不建议直接在系统全局环境里盲目装包装多了反而容易出版本冲突。7. 从出图到出视频视频工作流的扩展思路与验证标题里提到了“出视频”这里单独说一段。ComfyUI 默认工作流是出图但社区已经发展出很多视频生成工作流。它的本质不是“ComfyUI 自带视频功能”而是加载特定视频生成模型通过工作流节点生成一组连续帧或直接生成视频。视频工作流的大致构成包括文本条件节点或者首帧图像输入视频生成模型节点采样相关参数解码输出以及视频保存或后处理节点。具体节点名称、模型文件结构在不同视频模型之间差别很大所以不存在“一个模板适用所有视频模型”的说法。新手从图到视频时最稳妥的验证方式是“先不追求效果先追求跑通”。可以从一段 1 到 3 秒的短视频开始分辨率不要直接拉满帧率可以先低一些比如 8 到 10 帧每秒。这样能快速判断模型加载是否正常、显存是否够用、输出流程是否完整。如果一开始就跑长视频、高分辨率跑一半爆显存或者卡住会很难判断是模型问题还是参数问题。视频生成通常还需要把帧序列转换成 MP4。如果在工作流里没有视频编码输出节点可以把帧序列保存到目录再用 FFmpeg 合成# 示例把 frame_00001.png 这类帧序列合成 mp4 ffmpeg -framerate 8 -i frame_%05d.png -c:v libx264 -pix_fmt yuv420p output.mp4真实使用时需要把文件名规则、帧率、输出路径替换成你实际生成的目录。视频生成还有一个容易被忽略的点版权和肖像授权。视频涉及的人脸、场景、品牌元素比单张图片更敏感别人可以轻易截帧传播。所以制作视频素材时要格外谨慎先确认素材授权不能拿着别人的视频、人脸或作品直接拿去生成修改内容。8. 接口 API 调用与批量出图ComfyUI 不只是一个可视化页面它还带有可供外部程序调用执行工作流的接口。这一步对进阶玩家很重要因为一旦接口能跑通ComfyUI 就能变成你的“AI 出图后端服务”。8.1 API 工作流准备在页面里搭好工作流后一般需要在设置中打开开发者模式然后把工作流导出为 API 格式的 JSON 文件。这个格式和画布保存格式不同它的节点结构以可调用接口的对象形式组织会包含每个节点的 class_type 和 inputs。拿到 API 格式 JSON 后可以先打开文件大概看一下结构。它通常是一个对象key 是节点编号value 是节点类型和参数。后续提交任务时就是把这个对象提交给服务端。8.2 Python 调用与轮询ComfyUI 默认提供 HTTP 接口常见入口是/prompt和/history。下面是一个通用调用流程。import json import time import requests server http://127.0.0.1:8188 # 读取 API 格式工作流 with open(workflow_api.json, r, encodingutf-8) as f: workflow_json json.load(f) # 提交任务到队列 response requests.post( f{server}/prompt, json{prompt: workflow_json}, timeout30, ) response.raise_for_status() task_info response.json() prompt_id task_info.get(prompt_id) print(task id:, prompt_id) # 轮询任务结果 if prompt_id: while True: history requests.get( f{server}/history/{prompt_id}, timeout30 ).json() if prompt_id in history: print(finished:, history[prompt_id]) break time.sleep(2)这段代码是通用模板不一定适合所有 ComfyUI 版本。真实使用时要以你自己导出的 workflow JSON 格式为准并根据服务的实际返回结构调整请求字段和结果获取逻辑。8.3 批量任务设计跑通接口之后批量出图的思路就顺了只需要在 Python 循环里改提示词、图像输入或保存路径循环提交即可。批量任务的输出文件管理建议单独做一套规则。工作流中 Save Image 节点通常会把文件保存到 output 目录如果你希望每批任务结果分目录存放要考虑节点的输出目录参数设计。与其把所有文件混在一起再人工整理不如提交任务时就把批次信息作为输入参数传递或者任务完成后按文件名统一归档。更稳定的批量任务推荐加“中间日志”。每提交一个任务就记录一条 prompt_id 和对应的输入参数轮询时发现失败任务可以重试。批量任务数量较多时ComfyUI 本身有任务队列但不建议一次性无限制塞入大量高分辨率任务避免把 GPU 显存长时间占满后触发不可控错误。8.4 API 调用的稳定性注意接口跑通的早期阶段建议先提交一个最小任务确认返回结果没问题后再放开批量。网络请求要设置合理超时时间不能依赖默认超时或无限等待。服务端重启或端口变动后客户端里的server地址要同步更新。另外ComfyUI 默认只监听本机地址。如果做接口服务要先把访问权限控制好不要随意把接口暴露到公网。9. 资源占用、常见问题排查与最佳实践9.1 资源占用如何观察本地跑 ComfyUI 时最容易踩的坑是显存不足。显存占用不仅取决于模型文件体积也取决于实际推理时的中间状态。观察方式很简单Windows 用户可以打开任务管理器切到“性能”看 GPU 的“专用 GPU 内存”使用量NVIDIA 显卡也可以用命令行nvidia-smi --query-gpumemory.used,memory.total --formatcsv建议在跑不同工作流时分别记录一次占用建立自己机器的“显存基准线”。以后下载新模型、加载新工作流时就能快速判断当前设置是否安全。判断性能瓶颈时别只盯着 GPU。视频生成任务往往会在内存和显存之间搬运大量隐层状态内存不足也会导致任务卡死。9.2 显存不足的一般解决方向如果遇到显存不足常见处理方向按优先级从低到高排列减小分辨率从 1024 降到 768 或 512通常对显存影响最直接。降低批次数一次生成 1 张而不是 4 张。减少采样步数不一定能保证质量但能减少计算压力。更新显卡驱动和 PyTorch新版可能对显存管理更友好。