ComfyUI安装指南：从下载到运行

在AI生成内容（AIGC）工具层出不穷的今天，大多数用户可能已经习惯了“一键出图”的图形界面操作。但当你开始追求更精细的控制、更高的复现性，或是需要批量处理图像任务时，就会发现传统工具的局限——而这时，ComfyUI 正是那个能带你进入专业级AI图像工程世界的入口。

它不像Stable Diffusion WebUI那样点几下按钮就能出图，但它用节点化的方式把整个生成流程拆解得清清楚楚。你可以像搭积木一样构建工作流，每一个环节都透明可控。更重要的是，这种结构非常适合团队协作、自动化部署和复杂逻辑编排。

不过，也正因为它的“自由度”太高，初次安装和配置对新手来说可能会有些门槛。别担心，这篇文章将手把手带你完成从零到运行的全过程，避开常见坑点，让你顺利踏上节点编辑之旅。

---

系统与硬件准备：不是所有电脑都能流畅跑起来

虽然ComfyUI本身是Python写的轻量应用，但背后驱动的是Stable Diffusion这类大模型，所以实际运行非常依赖硬件性能，尤其是GPU。

推荐配置一览

项目	要求说明
操作系统	Windows 10/11、Linux（推荐Ubuntu）、macOS（M1/M2/M3芯片优先）
GPU	NVIDIA显卡（支持CUDA，建议RTX 3060及以上，显存≥8GB） AMD用户可用ROCm，Apple Silicon可通过Metal加速
Python版本	强烈推荐3.10或3.11，避免使用3.12（部分依赖尚未兼容）
存储空间	至少20GB空闲空间（模型文件动辄几个GB起步）

⚠️ 注意：ComfyUI没有官方打包的安装程序，必须通过源码运行。所有数据都在本地处理，除了首次下载模型外无需联网，隐私安全性极高。

如果你用的是NVIDIA显卡+Windows系统，那恭喜你，社区支持最完善；Mac用户如果是M系列芯片，也能获得不错的Metal加速体验；至于AMD或集成显卡用户，则需要更多手动调试，性能也会打折扣。

---

获取代码：两种方式任选其一

ComfyUI是一个开源项目，托管在GitHub上，由开发者 comfyanonymous 维护。我们需要先拿到它的源码。

方法一：直接下载ZIP包（适合新手）

打开浏览器访问：

👉 https://github.com/comfyanonymous/ComfyUI

点击绿色的 “Code” → “Download ZIP” 按钮，把整个项目下载到本地。

解压后你会看到这样的目录结构：

ComfyUI/
├── comfy/            # 核心引擎
├── nodes/            # 节点定义
├── models/           # 放模型的地方
├── web/              # 前端页面
├── main.py           # 主启动脚本
├── run_nvidia_gpu.bat
├── run_cpu.bat
└── ...

这种方式简单直接，适合不想折腾命令行的朋友。

方法二：使用Git克隆（推荐进阶用户）

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

好处是后续更新方便，只需要执行 git pull 就能同步最新功能和修复补丁。

---

启动服务：根据你的设备选对方式

ComfyUI内置了多个启动脚本，适配不同平台和硬件环境。关键是要让PyTorch正确识别你的计算设备。

场景1：NVIDIA显卡用户（Windows + CUDA）

这是最常见的配置。只需双击运行：

run_nvidia_gpu.bat

这个批处理脚本会自动做以下事情：
- 检查是否安装了Python；
- 安装必要的库（如torch, xformers）；
- 启动Web服务器，默认监听 http://127.0.0.1:8188

首次运行时，终端会滚动输出大量安装日志，请耐心等待直到停止。

✅ 成功标志出现在日志末尾：

Starting server
To see the GUI go to: http://127.0.0.1:8188

此时服务已就绪。

💡 提示：如果提示缺少模块（比如torch），可能是Python版本不对或者网络问题导致安装失败，后面我们会专门讲怎么解决。

---

场景2：Apple Silicon Mac 用户（M1/M2/M3）

苹果自研芯片需要用Metal进行GPU加速。打开终端，进入项目根目录后运行：

python main.py --use-metal

或者如果有 .command 文件，可以直接双击运行 run_mac.sh 类似的脚本。

📌 注意事项：
- 建议通过 Homebrew 安装Python（brew install python@3.11）
- 确保已安装Xcode命令行工具：xcode-select --install
- Metal加速效率不错，但某些高级功能（如xFormers）不可用

---

场景3：仅使用CPU运行（无独立显卡或低配设备）

如果你暂时没有GPU，也可以用CPU跑，只是速度慢很多——生成一张512×512图像可能要几分钟。

Windows用户运行：

run_cpu.bat

其他系统输入：

python main.py --cpu

⚠️ 不建议长期使用CPU模式，仅用于测试基本连接逻辑。

---

其他平台（Linux / AMD ROCm）

Linux用户通常需要手动运行并指定后端参数。例如：

# 使用ROCm（AMD GPU）
python main.py --gpu-device-id=0 --disable-xformers

# 设置内存分配策略
export PYTORCH_ROCM_ALLOC_CONF=garbage_collection_threshold:0.8,max_split_size_mb:512

详细配置可参考项目的GitHub Wiki页面。

---

打开Web界面：真正开始创作

只要服务成功启动，就可以在浏览器中访问：

👉 http://127.0.0.1:8188

稍等几秒，你会看到一个空白的节点画布，这就是你的“AI实验室”。

右键点击空白区域，可以看到菜单中列出的各种节点类型，比如：

• Load Checkpoint：加载主模型（.safetensors 或 .ckpt 文件）
• CLIP Text Encode：输入正向/负向提示词
• KSampler：设置采样步数、CFG值、采样器等
• VAE Decode：将潜变量转换为可视图像
• Save Image：保存结果到本地

把这些节点依次连接起来，形成一条完整的数据流管道，然后点击顶部的 “Queue Prompt”，第一张由你自己搭建流程生成的图像就开始渲染了。

是不是有点像编程？但又完全不用写代码。

---

首次运行常见问题及解决方案

即使步骤清晰，很多人第一次还是会遇到各种报错。以下是高频问题汇总，帮你快速排障。

❌ 缺少 torch 或无法安装依赖

错误信息：

ModuleNotFoundError: No module named 'torch'
Could not install dependencies automatically

原因分析：
- Python版本过高（如用了3.12），部分包还不支持
- 网络问题导致pip安装失败
- 多个Python环境冲突

解决方法：

1. 卸载现有Python，重新安装 Python 3.10 或 3.11
2. 手动安装PyTorch（以CUDA 11.8为例）：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118

然后再运行 python main.py

---

❌ 显存不足（CUDA out of memory）

这是最常见也是最头疼的问题之一。

典型表现：
- 程序崩溃并报错 CUDA error: out of memory
- 图像生成中途卡住或闪退

应对策略：

• 减小图像尺寸（如从512×512降到384×384）
• 将batch size设为1
• 启动时添加优化参数：

python main.py --lowvram        # 低显存模式
python main.py --force-fp16     # 强制使用半精度降低显存占用

这两个参数可以同时使用，尤其适合RTX 3050/3060这类入门级显卡。

---

❌ 浏览器打不开页面，显示“连接被拒绝”

排查清单：

• 是否防火墙阻止了8188端口？
• 是否已有另一个ComfyUI实例在运行（占用了端口）？
• 当前路径是否包含中文或空格？这会导致Python导入异常！

✅ 解决方案：

尝试更换端口号启动：

python main.py --port 8189

然后访问 http://127.0.0.1:8189

---

❌ 中文路径引发崩溃（极其隐蔽但高频）

这是一个看似无关紧要、实则致命的小细节。

❌ 错误路径示例：

D:\我的项目\ComfyUI 新版\

✅ 正确做法：
- 安装路径只能包含英文、数字和下划线
- 不要有空格、中文、特殊符号

否则可能导致模型加载失败、节点无法导入等问题，而且错误日志往往不明显。

---

下载模型：没有模型等于空壳

ComfyUI本身只是一个框架，真正的“大脑”是模型。你需要自行下载并放置到对应目录。

主要模型类型与存放位置

模型类型	目录路径	示例文件名
主模型（Checkpoint）	models/checkpoints/	realisticVision_v51.safetensors
VAE模型	models/vae/	vae-ft-mse-840000-ema-pruned.safetensors
LoRA模型	models/loras/	add_detail.safetensors
ControlNet模型	models/controlnet/	control_v11p_sd15_canny.pth
CLIP文本编码器	models/clip/	clip_l.safetensors

📌 推荐下载站点：
- Civitai：社区活跃，标签丰富，适合找风格化模型
- Hugging Face：学术性强，文档完整，适合研究用途

💡 小技巧：第一次使用建议先下载一个轻量模型（如 tiny-sd 或 ssd-1b）测试流程是否通畅，避免因大模型加载失败影响信心。

---

进阶技巧：提升效率的关键操作

一旦基础环境跑通，下一步就是扩展能力和优化体验。

安装插件管理器（ComfyUI-Manager）

这是目前最实用的第三方插件之一，让你可以在界面上直接浏览、安装和更新自定义节点。

安装方式很简单：

cd custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git

重启ComfyUI后，界面上会出现一个新的 “Manage” 选项卡，里面集成了数千个社区开发的节点，比如：

• Impact Pack：增强人脸检测与修复
• Segment Anything：图像分割集成
• WAS Node Suite：提供丰富的图像预处理功能

再也不用手动去GitHub一个个找仓库复制粘贴了。

---

使用预设工作流（Workflow）

社区分享了大量高质量的 .json 工作流文件，涵盖超分、动画生成、ControlNet联动等复杂场景。

使用方法：
1. 从 https://comfyworkflows.com 或 Discord 社群下载 .json 文件
2. 在ComfyUI界面按 Ctrl+O 导入
3. 修改其中的模型名称或路径，匹配你本地的实际文件

你会发现，别人花几小时调好的流程，你几分钟就能复现出来。

---

写在最后：你已经站在专业化的起点

回顾一下我们走过的路：

• 下载源码并解压
• 根据设备选择正确的启动方式
• 成功打开Web界面
• 解决常见错误（依赖、显存、端口）
• 下载模型并尝试构建第一个工作流

相比那些“点按钮出图”的工具，ComfyUI确实不够友好。但正是这份“不妥协”，让它成为目前唯一能在生产环境中真正落地的AIGC可视化引擎。

每一次节点连接，都是你对AI生成逻辑的一次理解深化；每一个自定义流程，都是你创造力的具体体现。

现在，打开浏览器，试着拖几个节点连起来，按下“Queue Prompt”——属于你的第一张“亲手打造”的AI图像，正在路上。

🚀 快速试一把：加载一个checkpoint → 接上text encoder（输入“a cat”）→ sampler → vae decode → save image → 点击队列，见证奇迹发生！

---

附录：常用启动参数速查表

使用场景	启动命令
默认NVIDIA GPU	python main.py
启用xFormers加速	python main.py --use-xformers
低显存设备	python main.py --lowvram
强制FP16精度	python main.py --force-fp16
更改端口号	python main.py --port 8189
CPU模式运行	python main.py --cpu
Mac启用Metal加速	python main.py --use-metal

遇到问题别慌，多看看官方Wiki和Discord社区，那里有成千上万和你一样的探索者正在前行。

Happy Node Building!