第一次听说 ComfyUI 的人，十有八九会被那个满屏节点和连线的界面吓一跳。我也不例外，当年从 WebUI 转到 ComfyUI 时，看着密密麻麻的框和线，一度怀疑自己装错了软件。但真正跑通一张图之后，我立刻理解了为什么那么多人愿意被它虐一遍也要换过来。ComfyUI 是 Stable Diffusion 生态里非常出名的节点式图形界面，一句话概括：它把 AI 绘图流程拆成一个个积木块，你想怎么拼就怎么拼，每一步都看得见、调得动。
这篇文章要解决的事情很具体：让一个完全没接触过 ComfyUI 的小白，在 Windows 电脑上从零搭建一套能正常出图的环境。你不需要会写代码，只需要按顺序跟着做，我踩过的坑你基本都能避开。等这套环境跑起来，你会发现它比想象中简单，节点式流程也没有那么高冷，反而能让你看懂 AI 出图每一道工序到底发生了什么。
1. 动手前的准备：先看清手里的显卡再开工
1.1 显卡、驱动和显存：为什么这一步不能省
ComfyUI 的核心计算靠 PyTorch 调用 GPU 来完成，GPU 跑图和 CPU 跑图完全是两个世界。CPU 不是不能跑，但一张图等十分钟起步，和 GPU 上几秒钟出图差距太大，所以先把显卡情况摸清楚。
打开任务管理器，切到“性能”标签，点左侧的“GPU”，看右上角显示的显卡名称。如果显示的是 NVIDIA 开头的型号，比如常见的 RTX 3060、RTX 4060 这类，恭喜你，这篇文章里的所有流程直接适用。如果是 AMD 显卡或者 Intel 核显，也能跑 ComfyUI，但需要额外处理 DirectML 或不同后端的安装，坑会多一些，新手阶段我不建议从这种环境开始。
接着在开始菜单里搜索“cmd”，打开命令行窗口，输入nvidia-smi，回车。这个命令会显示驱动版本、显卡型号和显存占用情况。如果提示找不到命令，说明显卡驱动没有装好，先去设备管理器里看一眼显卡有没有黄色感叹号，有的话把官方驱动装上再继续。
显存大小决定了你能出多高分辨率的图、能不能跑大模型。我的建议是 6GB 起步，8GB 就比较舒服了，4GB 也能跑，但出图尺寸要克制在 512x512 左右，并配合低显存模式使用。这些参数后面会详细讲。
注意：显卡驱动一定要装最新正式版。老驱动和新版 PyTorch 之间偶尔会出现“识别不到 GPU”的诡异问题，而这类问题排查起来最浪费时间。
1.2 Python 与 Git：装对版本能少走两个小时的弯路
ComfyUI 本身是 Python 项目，所以电脑上要有一个可用的 Python。这里最容易踩的坑就是版本。老黄历不建议碰，当前阶段最稳妥的是 3.10 或 3.11 版本，3.9 和更老的版本会让很多依赖装不上，太新的 3.12 或 3.13 也可能遇到某些第三方库还没适配的尴尬。
去 Python 官网下载 Windows 安装包，安装时有一个特别容易忽略的勾选项：“Add Python to PATH”，一定要勾上。不勾的话，你后面在命令行敲python会直接提示找不到命令，还得手动配环境变量，纯属给自己添堵。
Git 是用来拉取 ComfyUI 源码和日后更新的工具。安装时一路 Next 就好，装完在命令行输入git --version能输出版本号就代表成功。有人可能会问，我直接下载压缩包解压行不行？其实也行，但后续更新会很麻烦，ComfyUI 的更新频率不低，用 Git 管理以后一句git pull就能同步到最新版，非常划算。
这里我多说一句虚拟环境的概念。Python 世界里不同项目经常需要不同版本的依赖库，如果不加隔离，A 项目装的库把 B 项目需要的库覆盖掉，就会出现“我什么都没改怎么就坏了”的经典事故。虚拟环境相当于给每个项目单独开了一个房间，房间里的东西互不干扰。ComfyUI 我们也用这种方式管理，后面会讲到具体命令。
2. 下载 ComfyUI 本体：目录结构先看清楚
2.1 拉取代码：一条命令拿到最新版
打开命令行，进入你想放置项目的目录，比如D:\AI，然后输入：
git clone https://github.com/comfyanonymous/ComfyUI.git等待下载完成，会生成一个名为ComfyUI的文件夹。这个文件夹以后就是你所有操作的主战场，我建议把它放在一个路径简单、没有中文和空格的位置，省得后续有些工具因为路径问题闹脾气。
下载完成后进到目录里，第一眼看到的东西有点多，但对新手来说真正需要记住的只有三个：`main.py` 是程序入口文件，`models` 是放各种模型文件的地方，`custom_nodes` 是以后放插件节点的位置。初次运行前，先记住这三个就够了，其他文件暂时不用管。 ### 2.2 创建虚拟环境并安装依赖：把房间先收拾干净 进入 `ComfyUI` 文件夹后，先创建虚拟环境： ```bash python -m venv comfyui_env这个命令会在当前目录下生成一个comfyui_env文件夹，里面是一套独立的 Python 环境。接着激活它：
comfyui_env\Scripts\activate激活成功后，命令行提示符前面会多出(comfyui_env)字样。这时候你敲pip装的任何包都会装进这个虚拟环境里，不会污染系统全局环境。
然后安装项目运行所需的依赖：
pip install -r requirements.txt这一步会下载不少库，耐心等它跑完就行。如果下载速度很慢，可以考虑用国内 PyPI 镜像源加速。在 pip 命令后面加上-i https://pypi.tuna.tsinghua.edu.cn/simple是常见做法，大家可以按需使用。
注意：安装依赖之前，我建议先跳过这一步，直接看下一节，先把 GPU 版的 PyTorch 装好，再回来执行 requirements。顺序不同，结果可能完全不同，原因马上讲。
3. 安装 PyTorch：最容易翻车的一步
3.1 CPU 版和 GPU 版的差异：为什么不能偷懒
现在很多教程会让小白直接复制 requirements 里的安装命令，装完也能跑，但出图速度可能会让人怀疑人生，因为默认装的是 CPU 版本。原因在于 PyTorch 这个深度学习框架分 CPU 版和 GPU 版，CPU 版靠 CPU 算，GPU 版靠显卡算，两者的运行速度差距是几十倍级别的。
所以这里必须多花两分钟，手动安装 GPU 版 PyTorch。
进入虚拟环境后，输入下面的命令（以常见的 CUDA 12.1 版本为例）：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果这是你第一次装，会下载一两个 GB 的安装包，耐心等待。装完之后，用下面的命令验证 GPU 是否被正确识别：
python -c "import torch; print(torch.cuda.is_available(), torch.__version__)"看到True和版本号，说明 GPU 版已经就绪。如果输出False，那就是 PyTorch 版本和显卡驱动不匹配，去确认一下驱动是否最新，或者换一个 CUDA 版本的指令重新安装。
装完 PyTorch 之后，再执行之前的pip install -r requirements.txt。这个顺序是有讲究的：如果先装 requirements，它会把 PyTorch 的 CPU 版装进去，之后你再装 GPU 版，大概率会出现冲突，反而不容易排查。
3.2 版本匹配的细节：驱动、CUDA 和 PyTorch 的关系
很多人看到 “CUDA” 这个词就头大，我尽量用生活化的类比解释。CUDA 是显卡厂商提供的计算平台，PyTorch 是依赖这个平台才能调用 GPU 的程序。显卡驱动相当于操作系统和显卡之间的翻译官，它的版本号里已经包含了对 CUDA 的支持能力。
你不需要单独安装完整的 CUDA 开发套件，因为 PyTorch 的安装包已经自带了运行时。只需要保证两件事：显卡驱动足够新，PyTorch 的 CUDA 版本参数不要太超前。如果你有什么不确定的地方，直接选 cu121 或者 cu118 这两个经典的稳定版本，大部分新老驱动都兼容，这是我从多台不同配置的机器上验证过的。
4. 准备模型与首次启动：让软件真正能用
4.1 模型放哪里：目录对应关系决定了你能不能正常出图
ComfyUI 本身是个空壳，真正决定画风和质量的是模型文件。常见的模型类型包括 Checkpoint（大模型）、LoRA（小模型）、VAE（变分自编码器）、ControlNet（控制网络）等。
进入models文件夹，你会发现里面已经按类型分好了子目录：checkpoints、loras、vae、controlnet、embeddings等。新手最容易犯的错误就是模型文件随手乱放，结果在界面上找不到。记住一个原则：在界面上哪个类别的节点里找模型，模型文件就放在对应的文件夹里。比如你在 Load Checkpoint 节点里要加载的模型，必须放在models\checkpoints下。
模型去哪找？去你熟悉的模型社区下载一个后缀为.safetensors的 Checkpoint 文件即可。对于刚入门的朋友，我建议从经典的大模型开始，文件大小通常在 2GB 到 7GB 之间。显存 8GB 以下优先选体积小的版本，等熟悉流程后再上更大规模的模型。
4.2 首次启动：启动脚本、浏览器访问和设置向导
回到ComfyUI根目录，你会看到run_nvidia_gpu.bat这个文件。因为我们已经用虚拟环境安装了所有依赖，理论上可以直接双击运行。不过为了确保用的是虚拟环境里的 Python，更稳妥的做法是在命令行里先激活虚拟环境，然后执行：
python main.py --port 8188看到类似Starting server的日志输出后，浏览器打开http://127.0.0.1:8188，就能看到 ComfyUI 的操作界面了。
新版 ComfyUI 首次进入时，界面上会有一个欢迎和设置引导，可以按提示选择一个适合自己显存的模式。如果没有出现引导，直接看界面左侧和中间的画布区域，通常已经存在一套基础工作流模板。这套模板就是最常见的文生图流程，由几个节点连接而成。
节点式界面听起来很高级，其实用生活的话讲，就像接水管：每个节点负责一个环节，从加载模型、输入提示词、生成潜变量、采样器处理，到最终解码成图片并保存，一环扣一环。新手阶段，你只需要在模板的基础上做调整，不用从零开始搭建。
4.3 加载模型并生成第一张图：跑通闭环
在界面上找到 Load Checkpoint 节点，点击模型名称下拉框，选择你刚刚放进models\checkpoints的模型文件。若想学习更深入的模型加载方式，可以在工作流中通过 Load Checkpoint 和 Load LoRA 组合使用。
接着找到两个文本输入节点：一个用于正向提示词（想要的内容），一个用于负向提示词（不想要的内容）。填上英文描述效果最稳定，比如正向写a beautiful landscape, detailed, 8k，负向写blurry, low quality。不熟悉英文的话可以先借助翻译工具，等环境跑通后再研究怎么用中文更顺手。
看向右侧的 KSampler 节点，它控制采样步数、CFG 值、采样器类型和种子。新手直接保留默认值就好。最后点击界面右上角的 Queue 按钮，或者按 Ctrl+Enter，ComfyUI 就开始干活了。等待几秒到几分钟，一张 AI 图片就会出现在 Save Image 节点旁边。
我第一次在这个界面出图的时候，有种“原来如此”的爽感。整个过程并不是黑盒，我能清楚看到每一步节点在做什么，这比传统界面的几个滑块要直观得多。
5. 新手常见报错与排查速查
5.1 No module named torch：大概率是环境没激活
这个问题我见过太多次。双击run_nvidia_gpu.bat或者直接python main.py，系统用了全局 Python，而全局环境里根本没装 PyTorch。解决办法是先激活虚拟环境再运行，或者干脆在虚拟环境激活状态下重新执行启动命令。如果你不确定当前是否在虚拟环境中，看命令行提示符前缀有没有(comfyui_env)。
5.2 CUDA out of memory：显存不够用
这个报错最扎心，因为它往往出现在你满怀期待点下 Queue 的时候。背后原因通常是分辨率设太高、批次太大，或者模型体积和显存不匹配。解决方案从软到硬排序：先调低出图分辨率，把 Empty Latent Image 节点里的宽高从 1024 降到 768 或 512；再检查批次大小，确保 batch size 是 1；最后可以考虑用低显存模式启动，在启动命令后面加--lowvram参数。
5.3 模型加载失败：文件不完整或放错位置
如果你看到类似 not found 或 load failed 的提示，先检查文件名和目录。很多人下载模型到一半就断了，文件不完整，加载时自然失败。可以看文件大小是否和下载页面标注一致，不一致就重新下载。另外确认文件后缀是.safetensors，如果下载下来的是.ckpt格式，一般也能用，但路径一定要放在正确的目录里。
5.4 端口被占用：8188 被其他程序占用
启动时报端口冲突，可以在启动命令里换一个端口，例如python main.py --port 8888，然后浏览器访问http://127.0.0.1:8888。出现这个问题通常说明后台已经有另一个程序占了默认端口，可能与某些本地服务冲突。
为了方便排查，我整理了一个速查表：
| 现象 | 原因 | 检查方式 | 解决办法 |
|---|---|---|---|
| Python 命令找不到 | 安装时没勾选 Add to PATH | 命令行输入 python | 重新安装并勾选 PATH 选项 |
| 出图极慢 | CPU 版 PyTorch | 验证命令输出 False | 按第三节装 GPU 版 |
| 显存溢出 | 分辨率太高或批次太大 | 查看日志中的分辨率 | 降低分辨率和批次 |
| 模型列表为空 | 模型放错目录 | 查看 models 目录结构 | 放到 checkpoints 子目录 |
| 自定义节点报错 | 第三方节点依赖缺失 | 看报错中的模块名 | 安装对应依赖或移除节点 |
| 界面打不开 | 服务没启动或端口错误 | 检查命令行日志 | 确认 127.0.0.1:8188 |
还要学会看日志。ComfyUI 控制台里的红色文字基本就是错误信息，新手可以先看最后一行，那通常包含最直接的提示。不要被一大段英文吓住，很多报错翻译过来就是“找不到文件”“内存不够”“缺少模块”这三类问题。
6. 环境用起来之后的进阶思路
6.1 安装 ComfyUI-Manager：管理插件的钥匙
等你跑通第一张图，接下来一定会遇到需要安装自定义节点（也就是插件）的情况。手动装插件要处理文件夹、依赖、版本匹配，挺麻烦的。ComfyUI-Manager 就是专门解决这个痛点的管理器，它相当于 ComfyUI 的插件商店。
安装方式不复杂：在custom_nodes目录下执行git clone拉取它的仓库地址，然后重启 ComfyUI，界面右侧会出现一个管理菜单。通过它可以搜索、安装、更新各种自定义节点，也能一键安装缺失的依赖。我装完以后第一件事就是把常用节点都装齐，省去了大量手工排查时间。
6.2 显存优化与加速参数：让入门环境更稳
如果你只有 6GB 或 4GB 显存，有一些必要的优化措施。启动时加上--medvram或--lowvram参数，可以让 ComfyUI 更节制地使用显存，代价是速度略慢一些，但稳定性大幅提升。保持 batch size 为 1，优先出小图再考虑放大。采样步数控制在 20 到 30 之间就够了，多加步数对画质提升有限，消耗的时间和显存却线性增长。
还有一个容易被忽视的点：显卡驱动控制面板里的一些全局 3D 设置会影响 PyTorch 调度，建议恢复默认。我遇到过一次莫名其妙的显存报错，排查来排查去，最后发现是驱动面板开了某个画质增强功能，关掉后问题消失。
6.3 从出图到更复杂的工作流：这只是开始
ComfyUI 真正的威力在于充分控制。当你熟悉基础流程后，可以尝试给工作流加 ControlNet 功能来控制构图，加 LoRA 来调整人物风格，加 AnimateDiff 系列节点让静态图动起来，还能很多人用来做视频生成。它足够灵活，也足够复杂，但它的复杂度是“透明的”而非“隐藏的”，每个节点都可以拆开看、单独调。
如果你不满足于只用自己的显卡跑，也可以考虑部署到云服务器上，这样无论本机硬件多弱，都能通过浏览器使用完整的 ComfyUI 能力。不过涉及账号、队列、并发这些问题，就要考虑如何维护环境了。
我做这个环境搭建最大的体会是，ComfyUI 的上手成本并不是节点数量的问题，而是第一套环境能不能顺利跑起来。只要跨过那个门槛，后面都是顺水推舟。如果你照着这篇文章操作，第一次运行就出图了，那恭喜你已经跨过了最关键的坎；如果中途遇到问题，回头看报错日志，再对照速查表逐项排查，多半能自己解决。
