这次我们完整过一遍 ComfyUI。它本质是一个节点式 AI 绘画工作流工具比 WebUI 更适合精细控制、批量生成和接口集成。2026 年的生态已经比较成熟尤其是“秋叶一键整合包”这类方案把本地部署门槛压到了很低。但很多新手卡住的地方不是安装而是节点报错、模型缺失、工作流加载失败这些后续问题。这篇文章会覆盖整合包和手动部署两条路线讲清楚 ComfyUI 怎么启动、怎么加载工作流、怎么跑文生图/图生图/视频生成以及接口 API 和批量任务怎么做。最后会重点分析“节点在执行过程中发生错误”“failed to execute”这类高频报错的排查方式。如果你正准备在本地部署 ComfyUI或者刚下载完整合包不知道下一步干什么这篇文章可以直接照着操作。1. ComfyUI 核心能力速览能力项说明项目类型节点式 Stable Diffusion / FLUX 等工作流工具开源情况ComfyUI 开源项目社区插件生态丰富主要功能文生图、图生图、局部重绘、ControlNet、视频生成、风格化工作流推荐硬件NVIDIA 显卡优先4G 显存可入门更高分辨率/视频任务建议 8G 及以上支持平台Windows / Linux / macOS是否支持 CPU可以运行但出图速度会明显变慢启动方式整合包一键启动 / 命令行启动浏览器访问本地 Web 界面默认端口通常为 8188以启动日志为准接口能力支持 HTTP API 和 WebSocket 提交任务批量任务支持队列排队也可通过 API 批量提交适合场景本地 AI 绘画、工作流复用、批量出图、接口集成、新模型验证这里有一个很重要的判断从热词趋势看ComfyUI 相关搜索集中在“整合包”“安装”“教程”“插件”“工作流分享”“错误报告”说明绝大多数用户并不是要自己从零写节点而是要尽快把环境跑起来、套用现成工作流、遇到报错能解决。所以下面的内容会按这个实际使用路径来展开。2. 适用场景与使用边界2.1 适合谁第一类是用 ComfyUI 做日常 AI 绘画的画师和设计人员。节点式流程的好处是可控提示词、采样步数、CFG、种子、模型切换全部可视化改一个参数不用重跑整个流程。第二类是需要批量出图的运营和开发人员。ComfyUI 的任务队列机制很成熟批量提交后可以依次执行配合 API 可以接到自动化流程里。第三类是喜欢尝鲜的模型玩家。新模型发布后社区通常会在几天内放出对应的 ComfyUI 节点或工作流比如热词里出现的“comfyui 生成视频”“comfyui ltx2.3”都属于通过 ComfyUI 快速体验新能力的典型场景。2.2 不适合什么场景如果你完全不看节点连线只想打开网页输入提示词就出图那 WebUI 或在线工具可能更省事。ComfyUI 的优势在于流程控制代价是需要理解节点之间的输入输出关系。另外如果只跑一次就不再用学习成本就显得偏高。2.3 使用边界与合规提醒使用 ComfyUI 时涉及模型下载、素材生成、角色一致性、视频生成等能力需要注意几个边界用他人创作的模型、LoRA、工作流时先确认其使用许可和商用限制。生成人物肖像、明星形象、版权角色时必须确认有合法授权尤其是在公开传播或商用场景。涉及人脸替换、声音克隆、数字人相关内容时务必遵守隐私保护和肖像权相关法律。不要用本地部署能力去生成或传播违法违规内容。接口服务对外开放时要设置访问控制避免被恶意调用。3. 环境准备整合包与手动部署前置条件3.1 硬件与系统检查部署前先确认几项基础条件显卡NVIDIA 显卡综合体验最好如果显卡较老或显存较小也能跑但需要调低分辨率和批量数。硬盘整合包解压后通常占用数十 GB模型文件是主要占用来源建议预留充足空间。内存16GB 内存比较稳妥8GB 也能跑但可能吃力。虚拟内存热词里出现“comfyui 设置虚拟内存”说明虚拟内存不足是高频问题。如果加载模型时直接崩溃优先检查系统虚拟内存设置适当调大后重试。3.2 整合包路线从搜索热词看“comfyui 秋叶一键整合包”“秋叶 comfyui 整合包 2026 v10”是当前使用量很大的方案。整合包的好处是 Python 环境、依赖、显卡加速库、启动器已经打包好解压后直接启动不需要自己配置环境。使用整合包时注意两点第一解压路径不要带中文和空格避免出现莫名其妙的路径报错第二首次启动会初始化环境和依赖耐心等待不要中途关掉。如果遇到杀毒软件误报需要把整合包目录加入信任区。3.3 手动部署路线如果不想用整合包或者需要在 Linux 服务器上部署可以手动安装。先准备 Git 和 Python 3.10 或 3.11然后执行git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python -m venv venv # Windows venv\Scripts\activate # Linux/macOS source venv/bin/activate pip install -r requirements.txt国内网络下载依赖比较慢时可以换 pip 镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple3.4 模型文件目录准备ComfyUI 的模型文件有固定目录结构放错位置会导致节点加载失败。核心目录包括目录作用models/checkpoints主模型文件文生图/图生图的基础models/lorasLoRA 模型models/vaeVAE 模型models/controlnetControlNet 模型models/clipCLIP 模型models/unetUNet 模型部分新架构使用加载工作流时提示缺少模型就根据节点提示去对应模型目录检查。很多“failed to execute”报错根本原因只是模型没下载或放错了位置。4. 安装部署与启动方式4.1 整合包一键启动整合包解压后根目录通常有启动脚本或启动器。双击启动后脚本会自动检测显卡环境并启动 ComfyUI 服务。首次启动可能需要下载依赖具体时间取决于网络状况。启动日志中出现类似“To see the GUI go to: http://127.0.0.1:8188”的信息说明服务已经正常运行。这时打开浏览器访问这个地址就能看到 ComfyUI 的节点画布界面。4.2 命令行启动手动部署完成后使用命令启动python main.py --listen 127.0.0.1 --port 8188如果需要在局域网内通过其他设备访问可以监听所有网卡python main.py --listen 0.0.0.0 --port 8188注意对外监听后同一个局域网内的人都可能访问这个服务建议只在可信网络中使用或者自行加访问控制。4.3 启动后检查打开浏览器后确认三件事页面是否能正常加载出节点画布。左下角或顶部是否有红色报错提示。尝试加载一个默认工作流点击“Queue Prompt”或“运行”按钮看是否能正常出图。如果页面打不开先看启动窗口的日志是否有异常输出再用命令行检查端口占用情况。端口被占用时换一个端口启动即可。5. 核心概念节点、工作流与画布5.1 节点是什么ComfyUI 里每个功能块都叫节点。一个节点负责一个具体任务比如“加载模型”“输入正向提示词”“采样器”“VAE 解码”“保存图片”。节点之间通过连线传递数据数据在节点间流动最后输出结果。新手最容易犯的错是把 ComfyUI 当成 WebUI 那种表单式工具。在 ComfyUI 里节点顺序就是执行流程连线关系决定数据流向。理解这一点后工作流就不难读了。5.2 常用节点速查节点类型作用CheckpointLoader加载主模型CLIPTextEncode编码提示词分为正向和负向EmptyLatentImage生成空白潜空间图像指定宽度和高度KSampler核心采样器控制步数、CFG、种子VAEDecode将潜空间数据解码为图像SaveImage保存生成图片LoadImage加载本地图片用于图生图、重绘等5.3 如何加载现成工作流社区分享的工作流通常以 JSON 文件或图片形式存在。加载方式有两种把工作流 JSON 文件直接拖入浏览器窗口页面会自动加载对应节点图。如果拿到的是 PNG 图片也可以直接拖入浏览器ComfyUI 通常会把嵌入的 workflow 信息读出来。加载后如果节点显示为红色或无响应通常是因为缺少自定义节点或模型。这时需要回到第 3 节检查模型目录和插件安装情况。5.4 工作流保存习惯搭建好一套可用的工作流后点界面的保存按钮导出 JSON 文件。后续换机器、重装环境、分享给同事直接加载这个 JSON 就能恢复整套流程。6. 功能测试文生图、图生图与参数调整6.1 文生图测试文生图是 ComfyUI 里最基础的流程。完整链路是加载主模型 → 输入正向提示词和负向提示词 → 设置图像尺寸 → 采样器生成 → VAE 解码 → 保存图片。操作时先选择 CheckpointLoader 节点并指定你的模型文件然后在 CLIPTextEncode 里写提示词。正向提示词描述你想要的内容负向提示词写不想要的内容比如“lowres, bad anatomy, blurry”。设置 EmptyLatentImage 的分辨率后点击 Queue Prompt任务就会进入队列并执行。判断成功的标准很简单输出目录里出现一张正常的图片日志没有报错显存占用没有直接爆掉。6.2 图生图测试图生图需要把一张已有图片作为输入。流程比文生图多一个 LoadImage 节点加载的图片经过 VAE Encode 编码为潜空间数据再传入采样器。图生图适合做风格迁移、草图细化、局部修改。关键技术点是 Denoise 参数控制重绘程度。Denoise 接近 0 时基本保留原图接近 1 时等同于全新生成。新手可以从 0.4 到 0.6 开始测试。6.3 CFG、采样器步数与种子CFG 是提示词对生成结果的引导强度。热词里有人在问“comfyui 里 k 采集器里的 cfg 什么意思”这里统一说明一下CFG 值越高生成结果越贴合提示词但过高会导致色彩过饱和、图像变形。7 左右是常见起步值具体看模型和风格。采样步数决定采样器的迭代次数。20 到 30 步是很多模型推荐的范围步数过低图片不完整过高只会增加等待时间不一定带来明显提升。种子是随机数起点。固定种子后相同参数下生成结果可以复现这对调试工作流很有用。6.4 失败时排查什么文生图失败时先看红色节点的报错信息再看日志。常见的失败原因包括模型路径错误或模型文件损坏。显存不足。提示词节点没有正确连接。采样器参数超出模型支持范围。排查思路是逐个节点检查定位到第一个红色节点基本就是问题所在。7. 进阶玩法视频生成、ControlNet 与风格化工作流7.1 视频生成工作流热词里“comfyui 生成视频”“comfyui ltx2.3”都在说明视频生成已经成为 ComfyUI 的重要使用方向。视频工作流的思路与图像不同它不输出单张图而是输出连续的视频帧序列。实际操作时会使用视频模型加载器替换普通 CheckpointLoader采样器生成多个帧最后再用视频编码节点合成输出文件。这类工作流对显存和内存的要求明显更高建议先跑低分辨率短片段测试确认稳定后再提高参数。7.2 ControlNet 工作流ControlNet 用于控制生成图片的结构、姿势、线条。比如你想生成一张人物姿势与参考图一致的图片就用 ControlNet 提取参考图姿态再传入采样器。使用 ControlNet 需要提前下载对应的控制模型放到 models/controlnet 目录。不同 ControlNet 模型适用于不同控制类型加载工作流时要注意节点引用的模型文件名是否与实际文件一致。7.3 风格化工作流热词里有“comfyui 原神风格”这种组合本质上是用特定 LoRA 或微调模型配合提示词实现。套用这类工作流时重点是确认三点主模型是否匹配、LoRA 文件是否已下载、触发词是否正确写在提示词里。建议先加载一套社区验证过的风格化工作流跑通后再逐步替换其中的模型和提示词观察效果变化。这样比从零搭建省力很多。8. 接口 API 与批量任务8.1 ComfyUI API 基础ComfyUI 不只是图形工具本身自带接口能力。最常见的方式是向 /prompt 接口提交工作流 JSON得到任务 ID再通过 /history 接口查询生成结果。由于不同版本节点字段可能不一样最稳妥的做法是先在界面上手动搭好工作流并跑通然后导出工作流 JSON再用 Python 脚本定期提交。8.2 Python 调用示例下面给一个通用模板具体节点 ID 和参数需要根据你导出的工作流 JSON 来替换import json import requests server http://127.0.0.1:8188 # 这里填写从 ComfyUI 界面导出的工作流 JSON # 实际使用时要替换成你自己的 workflow 内容 workflow { 3: { class_type: KSampler, inputs: { seed: 42, steps: 20, cfg: 7, sampler_name: euler, scheduler: normal, denoise: 1.0 } } } response requests.post( f{server}/prompt, json{prompt: workflow}, timeout30 ) print(response.json())提交成功后返回值里会有 prompt_id后续用这个 ID 查询任务状态prompt_id response.json().get(prompt_id) result requests.get(f{server}/history/{prompt_id}, timeout30) print(result.json())需要说明的是这个示例里的节点 ID 和参数字段是示意真实调用时必须以界面导出的工作流为准。直接搬用会报错。8.3 批量任务设计批量任务的核心是控制任务队列和失败重试。一个简单可靠的做法是准备输入目录按任务编号保存素材或提示词。循环读取任务逐条提交到 /prompt。每个任务记录 prompt_id定时查询执行状态。失败任务记录到日志最后统一重试。批量任务不建议一次性把所有任务全部塞进队列。更稳妥的方式是控制并发数比如一次只提交 2 到 3 个任务避免显存和内存被同时占满。9. 资源占用与性能观察9.1 显存查看方法运行任务时可以用以下命令实时查看显卡占用nvidia-smi -l 2在 Windows 下也可以打开任务管理器在性能页面选择 GPU查看 CUDA 专用显存占用。ComfyUI 加载模型、执行采样、VAE 解码都会占用显存占用高低取决于模型大小、图像分辨率、批量数等参数。9.2 影响性能的关键参数分辨率越大显存占用越高。步数越多生成时间越长。批量数越大显存峰值越高。视频生成任务比单张图像任务占用高一个量级。如果显存不足优先降低图像分辨率或把 batch size 降到 1。ComfyUI 也提供低显存启动参数可以在启动命令里加上python main.py --lowvram这个参数会限制显存使用代价是生成速度变慢适合老显卡或小显存显卡。9.3 CPU 推理与虚拟内存CPU 推理在 ComfyUI 上可以跑但速度远低于 GPU。如果电脑没有 NVIDIA 显卡可以先装 CPU 版依赖测试流程真正大量出图还是建议换用带独立显卡的设备。虚拟内存不足会导致加载模型时进程直接崩溃。遇到这种情况在系统设置里调大虚拟内存或整合包启动器里如果提供了虚拟内存设置选项可以先调大再启动。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后页面打不开端口被占用或服务未启动检查启动日志和任务管理器更换端口或重启服务节点执行过程中发生错误模型缺失、依赖未安装、显存不足查看红色节点和 error report 中的 node 信息根据报错补充模型或依赖failed to execute节点输入数据异常或版本不兼容查看 Error Details 里的具体错误类型按具体错误定位到对应节点显存不足分辨率或批量数过大用 nvidia-smi 查看占用降低参数开启 --lowvram模型文件缺失模型未下载或放错目录检查节点引用的模型名和 models 目录下载对应模型并放到正确位置插件加载失败插件版本与 ComfyUI 不兼容查看启动日志中的插件报错更新或卸载插件生成全黑图或马赛克图VAE 缺失或模型参数不匹配检查 VAE 节点补全 VAE 模型并重新连接下载模型或依赖很慢网络原因检查网络状况更换镜像源或使用下载工具这里重点说一下“节点在执行过程中发生错误”的处理。ComfyUI 的报错报告一般包含 Node 信息和 Error Details 两部分。Node 告诉你哪个节点出了问题Error Details 告诉你具体是什么错误类型。遇到报错不要急着重装先看这两块内容。如果是“failed to execute”通常意味着节点输入的数据不符合预期。优先检查输入节点是否正常输出、模型文件是否完整、依赖是否匹配。把报错信息复制到搜索引擎往往能直接找到对应解决方案。11. 最佳实践与使用建议第一次使用不要上来就加载复杂工作流。先用默认文生图流程跑通确认主模型、采样器、保存图片三个核心节点正常再逐步增加 ControlNet、LoRA 等复杂度。无论整合包还是手动部署都要养成保存工作流的习惯。调通一套参数后立即导出 JSON 文件放到工作流目录备份。不同项目使用不同模型时建议用目录区分 models 下的文件避免全部堆在主目录里。接口服务只建议在本机或可信内网使用。需要对外提供访问时加访问控制层避免被滥用。涉及人脸、版权角色、他人声音或肖像素材时必须确认授权。生成内容在公开发布或商用前建议人工复核不能只看自动化输出结果。批量任务一定要设计日志和重试机制。每个任务记录执行状态和结果路径失败任务单独归档避免一个节点报错导致整个批量任务中断。12. 总结与下一步把这篇教程压缩成三件事第一先用整合包或手动部署跑通 ComfyUI完成一次文生图第二把采样器、CFG、种子这些核心参数搞明白然后加载别人分享的工作流做进阶测试第三遇到节点报错时先看 error report 里的 node 和 error details再补模型、补依赖、调参数。ComfyUI 的上手曲线比 WebUI 陡但一旦熟悉节点式流程批量出图和接口集成的效率会高出一截。最容易踩的坑集中在模型放错目录、依赖不匹配、显存不足这三类对应的排查方法在第 10 节已经列出。建议收藏备用。尤其当你准备部署 ComfyUI 本地环境、需要排查节点执行错误或者想在批量任务里接入接口服务时回来翻这篇比重新搜索更省时间。