ComfyUI完整部署与工作流搭建：从环境配置到API集成实战

这次我们来看一套完整的 ComfyUI 工作流搭建教程。ComfyUI 作为 Stable Diffusion 的节点式图形界面工具，相比传统 WebUI 提供了更灵活的可视化流程控制能力。这套教程覆盖从本地环境部署、插件安装到节点搭建的全流程，目标是让用户能够手把手学会用 ComfyUI 高效出图出视频。

ComfyUI 的核心优势在于工作流可保存、可复用，支持复杂任务链式执行，适合需要批量生成、流程标准化或自定义推理管道的场景。对于显存要求，ComfyUI 本身比较轻量，但实际占用取决于加载的模型和节点复杂度，通常 4G 显存可运行基础文生图，6G 以上可体验多数常用功能。它支持 CPU 模式，也兼容 AMD 显卡（通过 DirectML 或 ROCm），老显卡和 50 系新卡都能用。启动方式上，有一键整合包和源码部署两种选择，整合包适合快速上手，源码部署更灵活。接口方面，ComfyUI 自带 API 服务，支持远程调用和批量任务调度。

本文将带读者完成 ComfyUI 的完整部署和功能验证，包括环境准备、整合包启动、插件管理、基础工作流搭建、文生图/图生视频测试、API 调用和性能观察。重点会放在实操细节和排查方法上，确保读者能独立搭建可用的 ComfyUI 环境。

1. 核心能力速览

能力项	说明
项目类型	Stable Diffusion 图形化节点工作流工具
开源地址	GitHub - comfyanonymous/ComfyUI
主要功能	文生图、图生图、局部重绘、视频生成、工作流定制、批量任务
推荐硬件	4G+ 显存（GPU 模式）或 8G+ 内存（CPU 模式）
显存占用	基础工作流约 3-4G，加载大模型后 5-8G，依分辨率和工作流复杂度而定
支持平台	Windows / Linux / macOS（CPU 或 GPU）
启动方式	一键整合包（秋叶版等）或源码 + 依赖安装
API 支持	内置 HTTP API，支持同步/异步任务提交、进度查询、结果获取
批量任务	支持目录批量处理、队列任务、工作流参数批量传入
适合场景	本地测试、内容生产、工作流实验、API 服务集成

2. 适用场景与使用边界

ComfyUI 适合以下几类用户：

• 需要可视化设计 Stable Diffusion 工作流的研究者或创作者
• 希望将生成流程标准化、可复用的团队或项目
• 需要批量生成图片/视频且要求参数一致性的场景
• 想通过 API 将生成能力集成到自有工具的开发者

它能解决的问题包括：

• 复杂生成流程的可视化搭建与调试
• 多模型串联（如先超分后修复）
• 条件控制（ControlNet、IP-Adapter 等多条件输入）
• 长视频生成的分段处理与一致性维护

使用边界需要注意：

• ComfyUI 不包含模型文件，需自行下载放置到正确目录
• 节点式操作有一定学习成本，不适合追求极简操作的用户
• 工作流调试需要耐心，节点连接错误可能导致生成失败
• 涉及人脸、版权素材时，必须确保输入内容符合授权规范

3. 环境准备与前置条件

在开始安装前，请确认本地环境满足以下条件：

操作系统

• Windows 10/11（推荐）、Linux（Ubuntu 20.04+）、macOS（12+）
• 64 位系统，预留 10GB 以上磁盘空间（用于模型和依赖）

Python 环境

• Python 3.8-3.11（推荐 3.10）
• 可使用 Miniconda 或官方 Python 发行版
• 确保 pip 版本最新：pip install --upgrade pip

显卡与驱动

• NVIDIA 显卡：驱动版本 470+，CUDA 11.3-12.4（推荐 11.8）
• AMD 显卡：最新驱动，可选 DirectML（Windows）或 ROCm（Linux）
• 集成显卡/无独立显卡：使用 CPU 模式，速度较慢但可用

依赖工具

• Git（用于源码部署和插件安装）
• 7-Zip 或 Bandizip（用于解压模型文件）
• 现代浏览器（Chrome 90+、Edge 90+、Firefox 88+）

端口占用检查

• 默认端口 8188，如被占用需修改启动参数
• 检查命令（Windows）：netstat -ano | findstr :8188
• 检查命令（Linux/macOS）：lsof -i :8188

4. 安装部署与启动方式

ComfyUI 提供两种主要部署方式：秋叶整合包（推荐新手）和源码部署（推荐定制化用户）。

4.1 秋叶整合包一键启动

整合包已包含 Python 环境、依赖库和常用插件，解压即可用。

下载与解压

• 从可靠来源下载最新秋叶 ComfyUI 整合包（如 ComfyUI_windows_portable_nvidia.zip）
• 解压到不含中文和空格的路径，例如D:\ComfyUI

目录结构说明

ComfyUI/ ├── python_embeded/ # 内置 Python 环境 ├── comfyui/ # ComfyUI 主程序 ├── models/ # 模型存放目录 │ ├── checkpoints/ # 大模型（.safetensors 或 .ckpt） │ ├── lora/ # LoRA 模型 │ ├── controlnet/ # ControlNet 模型 │ └── vae/ # VAE 模型 ├── output/ # 生成结果默认输出目录 └── run_nvidia_gpu.bat # GPU 启动脚本

启动步骤

1. 双击run_nvidia_gpu.bat，等待依赖检查和服务启动
2. 命令行窗口显示 "Starting server" 和 "To see the GUI go to: http://127.0.0.1:8188" 即表示成功
3. 浏览器访问http://127.0.0.1:8188进入 ComfyUI 界面

自定义端口启动编辑run_nvidia_gpu.bat，修改--port参数：

@echo off cd comfyui python_embeded\python.exe main.py --port 7890 pause

4.2 源码部署方式

适合需要最新版本或自定义插件的用户。

克隆源码

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

创建虚拟环境（可选但推荐）

conda create -n comfyui python=3.10 conda activate comfyui

安装依赖

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

启动服务

python main.py --port 8188

模型文件放置将下载的模型文件按类型放入models对应子目录：

• 大模型：models/checkpoints/
• LoRA：models/lora/
• ControlNet：models/controlnet/
• VAE：models/vae/

5. 插件安装与管理

ComfyUI 通过插件扩展功能，常用插件包括管理器、节点包、主题等。

5.1 使用 ComfyUI Manager 管理插件

ComfyUI Manager 是必备插件，提供图形化插件安装/更新界面。

安装方法

1. 进入 ComfyUI 界面，点击右上角 "Settings" → "Install Custom Nodes"
2. 在 URL 输入框粘贴：https://github.com/ltdrdata/ComfyUI-Manager.git
3. 点击 "Install" 并重启 ComfyUI

通过 Manager 安装其他插件

1. 重启后界面出现 "Manager" 按钮，点击进入
2. 在 "Install Custom Nodes" 标签页搜索需要的插件
3. 点击 "Install" 安装，如提示重启则重启 ComfyUI

5.2 常用插件推荐

工作流增强

• ComfyUI-Impact-Pack：大量实用节点，包括检测器、分段器、重绘等
• ComfyUI-Advanced-ControlNet：增强 ControlNet 控制能力
• ComfyUI-InstantID：InstantID 人脸替换节点

视频生成

• ComfyUI-VideoHelperSuite：视频加载、合成、帧处理工具
• AnimateDiff-Evolved：动画生成与运动控制

界面优化

• ComfyUI-Impact-Pack：自带主题和布局优化
• ComfyUI-Custom-Scripts：自定义脚本支持

模型支持

• ComfyUI-IPAdapter-Plus：IP-Adapter 多模态适配
• ComfyUI-MuseV：MuseV 视频生成支持

5.3 手动安装插件

对于不在 Manager 列表的插件，可手动安装：

# 进入 ComfyUI 自定义节点目录 cd ComfyUI/custom_nodes # 克隆插件仓库 git clone https://github.com/作者/插件名.git # 重启 ComfyUI 服务

安装后可在 "Add Node" 菜单或节点搜索框找到新节点。

6. 基础工作流搭建与出图测试

下面通过一个完整文生图工作流，熟悉节点连接逻辑和参数设置。

6.1 创建基础文生图工作流

节点组成

1. Load Checkpoint：加载大模型
2. CLIP Text Encode (Prompt)：正向提示词编码
3. CLIP Text Encode (Negative Prompt)：负向提示词编码
4. Empty Latent Image：生成空白潜空间图像
5. KSampler：采样器，控制生成步骤和参数
6. VAE Decode：将潜空间图像解码为像素图像
7. Save Image：保存生成结果

连接步骤

1. 右键画布 → "Add Node" → "loaders" → "Checkpoint Loader"
2. 添加 "CLIP Text Encode" 节点两个，分别标注为 Positive 和 Negative
3. 添加 "latent" → "Empty Latent Image" 设置宽高（如 512x512）
4. 添加 "sampling" → "KSampler" 设置步骤（20）、CFG（7.5）、采样器（Euler a）
5. 添加 "latent" → "VAE Decode"
6. 添加 "image" → "Save Image"

节点连接顺序

• Checkpoint Loader → CLIP Text Encode (clip)
• Checkpoint Loader → KSampler (model)
• Checkpoint Loader → VAE Decode (vae)
• CLIP Text Encode (Positive) → KSampler (positive)
• CLIP Text Encode (Negative) → KSampler (negative)
• Empty Latent Image → KSampler (latent_image)
• KSampler → VAE Decode (samples)
• VAE Decode → Save Image (images)

参数设置示例

{ "positive_prompt": "masterpiece, best quality, 1girl, cherry blossoms", "negative_prompt": "lowres, bad anatomy, bad hands, text, error", "width": 512, "height": 512, "steps": 20, "cfg": 7.5, "sampler": "euler_ancestral", "scheduler": "normal" }

6.2 执行生成与结果验证

1. 点击 "Queue Prompt" 提交任务
2. 观察右下角进度条，等待生成完成
3. 生成完成后，Save Image 节点显示预览图
4. 右键 Save Image 节点 → "Open Image" 查看大图
5. 图像保存到output目录，文件名含时间戳

成功判断标准

• 进度条完整走完，无错误提示
• 生成图像符合提示词描述
• 图像无明显扭曲、色块、重复图案
• 输出目录有新文件生成

6.3 工作流保存与加载

保存工作流

• 点击 "Save" 按钮，保存为.json文件
• 工作流文件包含所有节点配置和连接关系

加载工作流

• 点击 "Load" 按钮，选择之前保存的.json文件
• 或直接拖拽.json文件到 ComfyUI 画布

分享工作流

• 工作流文件可分享给其他 ComfyUI 用户
• 需确保对方有相同模型和插件

7. 高级工作流：图生视频与批量处理

在文生图基础上，引入图片输入、视频生成和批量任务能力。

7.1 图生视频工作流搭建

新增节点

1. Load Image：加载输入图片
2. VAE Encode：将像素图像编码为潜空间
3. Load Checkpoint（视频模型）：如 AnimateDiff 模型
4. AnimateDiff Loader：加载运动模块
5. AnimateDiff Sample：视频采样器
6. VAE Decode（批量）：解码视频帧序列
7. Save Image（批量）：保存多帧或生成视频

连接逻辑

• Load Image → VAE Encode 得到潜空间
• 原工作流中的 Empty Latent Image 替换为 VAE Encode 输出
• 添加 AnimateDiff 相关节点到 KSampler 前后
• 调整采样器总帧数（如 16 帧）和帧率（如 8fps）

参数注意事项

• 视频生成显存占用较高，建议从 16 帧 256x256 开始测试
• 可使用视频模型专用 checkpoint，如 AnimateDiff 兼容模型
• 输出为图像序列，需通过 FFmpeg 或视频工具合成视频

7.2 批量任务处理

ComfyUI 支持多种批量处理方式：

目录批量处理

1. 使用 "Load Image (Batch)" 节点加载整个目录图片
2. 配置输入目录路径和文件过滤规则
3. 每个输入图片独立执行工作流，结果保存到输出目录

参数批量测试

1. 使用 "Primitive" 节点生成参数列表（如不同 CFG 值）
2. 连接至 KSampler 对应输入端口
3. 一次提交生成多个参数组合的结果

队列批量任务

1. 通过 API 接口连续提交多个任务
2. ComfyUI 自动排队执行，支持优先级设置
3. 适合集成到自动化脚本或生产环境

7.3 工作流优化技巧

节点组织

• 使用 "Reroute" 节点简化连接线
• 对相关节点分组并添加注释框
• 常用子工作流保存为模板节点

性能优化

• 使用 "Checkpoint Loader (Simple)" 减少模型重复加载
• 对大模型使用 "Model Merging" 节点预融合 LoRA
• 调整 "KSampler" 的denoise参数控制重绘强度

错误处理

• 为关键节点添加 "Try-Except" 逻辑（如有相关插件）
• 使用 "Image Scale" 节点限制输出分辨率，避免显存溢出
• 保存工作流前测试所有连接，确保无断裂

8. 接口 API 与批量任务集成

ComfyUI 内置完整的 HTTP API，支持本地和远程调用。

8.1 API 服务启动

启动参数

# 启用 API 并允许远程访问 python main.py --port 8188 --listen # 指定 IP 地址（如局域网访问） python main.py --port 8188 --listen 0.0.0.0

API 文档访问启动后访问http://127.0.0.1:8188/docs查看交互式 API 文档。

8.2 基本 API 调用示例

获取工作流定义

curl -X GET "http://127.0.0.1:8188/workflows"

提交生成任务

import requests import json # 工作流 JSON 数据（从 ComfyUI 界面 Save 获取） with open('workflow_api.json', 'r') as f: workflow_data = json.load(f) # 提交任务 url = "http://127.0.0.1:8188/prompt" response = requests.post(url, json={"prompt": workflow_data}) prompt_id = response.json()['prompt_id'] print(f"任务 ID: {prompt_id}")

查询任务状态

# 查询任务执行状态 status_url = f"http://127.0.0.1:8188/history/{prompt_id}" status_response = requests.get(status_url) if status_response.status_code == 200: history = status_response.json() if prompt_id in history: print("任务已完成") # 提取输出图像等信息 outputs = history[prompt_id]['outputs'] else: print("任务执行中或未找到")

批量任务示例

import os import glob # 批量处理目录中的所有图片 input_dir = "./input_images" image_files = glob.glob(os.path.join(input_dir, "*.jpg")) for i, image_file in enumerate(image_files): # 动态修改工作流中的图片路径 workflow_data['3']['inputs']['image'] = image_file # 提交任务 response = requests.post("http://127.0.0.1:8188/prompt", json={"prompt": workflow_data}) if response.status_code == 200: print(f"已提交任务 {i+1}/{len(image_files)}") else: print(f"任务 {i+1} 提交失败")

8.3 高级 API 功能

异步任务处理

# 提交异步任务，立即返回，通过 WebSocket 或轮询获取结果 async_response = requests.post("http://127.0.0.1:8188/prompt", json={"prompt": workflow_data, "client_id": "my_client"})

工作流参数动态替换

# 在提交前动态修改工作流参数 def update_workflow_params(workflow, prompt_text, width, height): # 找到 CLIP Text Encode 节点（根据实际节点 ID） text_node_id = "6" # 需要根据实际工作流调整 workflow[text_node_id]['inputs']['text'] = prompt_text # 找到 Empty Latent Image 节点 latent_node_id = "5" workflow[latent_node_id]['inputs']['width'] = width workflow[latent_node_id]['inputs']['height'] = height return workflow

结果回调通知

# 设置 Webhook 接收生成完成通知 webhook_workflow = workflow_data.copy() webhook_workflow['extra_data'] = { "client_id": "my_client", "webhook_url": "https://my-server.com/comfyui-callback" }

9. 资源占用与性能观察

了解 ComfyUI 运行时资源消耗，有助于优化工作流和硬件配置。

9.1 显存占用观察

Windows 任务管理器

• 打开任务管理器 → 性能 → GPU
• 观察 "专用 GPU 内存" 使用情况
• 基础工作流：3-4GB
• 加载大模型后：5-8GB
• 视频生成：8-12GB（依分辨率和帧数）

nvidia-smi 监控（命令行）

# 实时监控 GPU 使用情况 nvidia-smi -l 1 # 输出示例 # | GPU Name Persistence-M | Memory-Usage | GPU-Util Compute M | # | 0 NVIDIA GeForce RTX 4060 | 6454MiB / 8192MiB | 45% Default |

显存优化技巧

• 使用--lowvram或--novram启动参数降低显存占用
• 工作流中及时断开不再使用的节点连接
• 对大分辨率图像使用 "Image Scale" 节点先降采样
• 启用模型缓存：--gpu-only或--cpu-offload

9.2 CPU 与内存使用

CPU 模式性能

• 启动参数：--cpu
• 生成速度比 GPU 慢 5-10 倍
• 适合模型测试或低负载场景
• 内存占用较高，建议 16GB+ RAM

内存监控

• Windows：任务管理器 → 性能 → 内存
• Linux：top或htop命令
• 典型占用：基础 2-3GB，大模型加载后 4-6GB

9.3 生成速度测试

测试工作流使用标准文生图工作流，固定参数：

• 分辨率：512x512
• 步数：20
• 采样器：Euler a
• 批量数：1

速度参考（RTX 4060 12GB）

• 文生图：2-4 秒/张
• 图生图：3-5 秒/张
• 视频生成（16 帧）：30-60 秒

性能优化方向

• 使用更快的采样器：Euler a、DPM++ 2M Karras
• 降低采样步数：20 步→15 步（质量损失需测试）
• 启用 xFormers 或 SDPA 注意力优化
• 使用 TensorRT 加速（需要额外配置）

10. 常见问题与排查方法

问题现象	可能原因	排查方式	解决方案
启动时报 Python 错误	Python 版本不兼容或依赖缺失	查看错误日志具体内容	使用推荐 Python 版本，重装依赖
页面访问空白或错误	端口冲突或服务未正常启动	检查端口占用，查看启动日志	更换端口，确认服务启动完成
加载模型失败	模型文件损坏或路径错误	检查模型文件 MD5，确认路径	重新下载模型，检查目录结构
生成结果全黑/全灰	VAE 未正确连接或模型不兼容	检查 VAE 节点连接，尝试不同 VAE	确保 VAE Decode 连接正确，更换 VAE
显存不足报错	工作流过复杂或分辨率太高	监控显存使用，简化工作流	降低分辨率，使用--lowvram
插件节点不显示	插件安装失败或版本冲突	检查自定义节点目录，查看日志	重新安装插件，检查兼容性
API 调用超时	网络问题或任务队列阻塞	检查服务状态，查看任务队列	增加超时时间，清理任务队列
生成图像质量差	提示词不当或模型问题	测试简单提示词，更换模型	优化提示词，使用高质量模型

详细排查步骤示例

问题：启动后页面无法访问

1. 检查服务是否启动成功

   • 命令行窗口应显示 "Starting server" 和访问地址
   • 如无相关信息，查看具体错误日志

2. 检查端口占用

   # Windows netstat -ano | findstr :8188 # Linux/macOS lsof -i :8188

3. 更换端口启动

   python main.py --port 7890

问题：生成时报显存不足

1. 监控当前显存使用

   nvidia-smi

2. 降低工作流复杂度

   • 减少同时加载的模型数量
   • 降低生成分辨率（如 512x512→384x384）
   • 减少采样步数（如 20→15）

3. 使用显存优化参数启动

   python main.py --lowvram # 或 python main.py --cpu-offload

问题：插件功能异常

1. 检查插件是否正确安装

   • 确认custom_nodes目录有对应插件文件夹
   • 检查插件要求的依赖是否安装

2. 查看 ComfyUI 启动日志

   • 日志中会显示插件加载状态和错误信息

3. 临时禁用冲突插件

   • 重命名插件目录或移动到其他地方
   • 逐个启用插件定位问题源

11. 最佳实践与使用建议

工作流设计原则

• 保持工作流模块化，常用功能封装为子工作流
• 为关键参数添加输入节点，便于动态调整
• 使用注释节点说明复杂节点组的功能
• 定期保存工作流版本，便于回溯和分享

模型文件管理

• 按类型分类存放：checkpoints、loras、controlnet、vae
• 使用有意义的文件名，包含模型版本和用途
• 定期清理不再使用的模型，节省磁盘空间
• 重要模型备份到云存储或外部硬盘

生成质量优化

• 使用高质量基础模型（如 SDXL 1.0）
• 合理组合 LoRA 和 ControlNet，避免过度约束
• 测试不同采样器和 CFG scale 的组合
• 对重要输出进行多轮生成和人工筛选

批量任务安全

• 批量处理前先用单张图片测试工作流稳定性
• 设置合理的任务超时时间，避免资源耗尽
• 为批量任务添加进度日志和错误重试机制
• 输出文件使用有意义的命名规则，便于后续处理

合规使用提醒

• 生成内容需遵守版权和肖像权相关法律法规
• 商业使用前确认模型许可证允许相应用途
• 涉及真人肖像需获得明确授权
• 不要生成违法、侵权或不良内容

ComfyUI 工作流搭建确实有一定学习曲线，但一旦掌握就能极大提升生成效率和控制精度。建议从简单文生图开始，逐步尝试图生图、ControlNet、视频生成等复杂功能。关键是多动手实践，遇到问题参考本文排查方法，或到社区寻求帮助。

这套教程提供的从环境部署到高级工作流的完整路径，应该能帮助读者快速上手 ComfyUI。实际使用中，最重要的是根据自身需求灵活调整工作流，找到最适合的高效生成方案。