ComfyUI安装指南：快速上手教程-洪萨配资

ComfyUI 安装与入门：从零构建你的第一个AI工作流

在生成式 AI 的浪潮中，越来越多创作者不再满足于“点一下按钮就出图”的黑箱操作。他们想要知道每一步发生了什么，想调整中间过程，甚至把整个流程自动化、标准化——这正是ComfyUI的用武之地。

它不像传统 WebUI 那样把所有功能塞进一个页面，而是像搭积木一样，把文本编码、采样、解码这些环节拆成独立的节点，让你用连线的方式亲手“组装”图像生成流程。你可以清楚地看到数据如何流动，参数如何传递，也能轻松复现或分享整套逻辑。

更重要的是，哪怕你不是程序员，只要有一块 NVIDIA 显卡和一台 Windows 电脑，几分钟内就能跑起来。下面我们就直奔主题，带你一步步完成安装，并生成第一张图。

下载 ComfyUI：从 GitHub 获取源码

打开浏览器，访问 ComfyUI 的官方仓库：

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

点击绿色的“Code”按钮，然后选择“Download ZIP”，将项目压缩包保存到本地。

如果你习惯使用 Git，也可以在目标目录执行：

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

但对于只想快速体验的新手来说，直接下载 ZIP 更省心。

解压并查看文件结构

找到下载好的ComfyUI-main.zip文件，右键选择“全部解压”，建议路径不要太深，比如放在桌面或D:\AI\ComfyUI这样的位置。

解压后你会看到几个关键内容：

ComfyUI/ ├── main.py ├── run_nvidia_gpu.bat ├── requirements.txt ├── models/ └── web/

其中最值得关注的是：

run_nvidia_gpu.bat：专为 NVIDIA 显卡准备的一键启动脚本
models/：未来要放模型的地方（SD 主模型、LoRA、ControlNet 等）
main.py：核心服务程序

一切就绪，接下来就是运行。

启动服务：双击运行批处理文件

进入解压后的文件夹，找到名为run_nvidia_gpu.bat的文件，双击运行它。

这个脚本会自动做几件事：

检查是否安装了 Python
自动安装所需依赖（如 PyTorch、xformers）
启动本地服务器，默认监听8188端口

首次运行时需要下载一些包，过程可能持续 2–5 分钟，请耐心等待命令行窗口输出日志信息。

✅ 当你看到类似这样的提示：

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

说明服务已经成功启动！

访问界面：在浏览器中打开编辑器

保持命令行窗口运行（不要关闭），打开 Chrome、Edge 或 Firefox 浏览器，在地址栏输入：

👉 http://127.0.0.1:8188

稍等片刻，你会看到一个干净的节点编辑界面加载出来：

左侧是可拖拽的节点列表
中间是空白画布，用来连接流程
右侧显示当前选中节点的参数设置

到这里，环境已经完全准备好。但光有界面还不够，我们得让它真正“动起来”。

快速出图：三步生成你的第一张图像

为了让安装不只是停留在“能打开”，而是“能产出”，我们立刻来走一遍完整流程。

第一步：加载基础模型

在左侧搜索框输入Checkpoint Loader，拖一个节点到画布上。

点击其中的 “Choose Checkpoint” 按钮，浏览并选择你已有的.safetensors或.ckpt文件（例如realisticVision_v5.safetensors）。

📌 注意：ComfyUI 不自带任何模型文件。你需要提前从 CivitAI 或其他渠道获取兼容 Stable Diffusion 的模型，并放入models/checkpoints/目录下。

第二步：添加必要组件并连接

继续从左侧添加以下节点：

CLIP Text Encode (Prompt)→ 输入正向提示词，比如a beautiful landscape, high detail
CLIP Text Encode (Negative Prompt)→ 输入负面提示词，比如blurry, low quality, noise
KSampler→ 设置采样器（推荐 Euler a）、步数（20）、种子（设为 -1 表示随机）
VAE Decode→ 将潜变量还原为可视图像
Save Image→ 保存结果到本地磁盘

然后按如下方式连接节点：

Checkpoint Loader → CLIP Text Encode (Prompt) → KSampler → VAE Decode → Save Image Checkpoint Loader → CLIP Text Encode (Negative) ↘ KSampler

注意：两个文本编码器都要连回 KSampler，分别作为正负提示输入。

第三步：提交任务，等待出图

确认所有连线无误后，点击顶部工具栏的“Queue Prompt”按钮。

命令行窗口会开始打印日志，显卡也开始工作。根据模型大小和硬件性能，通常几秒到几十秒即可完成。

完成后，图片会自动保存在ComfyUI/output目录中，同时界面也会实时反馈进度。

🎯 成功！你已经完成了从零配置到实际生成的全过程。

常见问题及应对方法

虽然流程看似简单，但在真实环境中仍可能出现意外。以下是几个高频问题及其解决方案。

❌ ‘python’ is not recognized

这是最常见的报错之一。

原因：系统找不到 Python，说明未安装或未加入环境变量 PATH。

解决步骤：
1. 前往 https://www.python.org/downloads/ 下载 Python 3.10（目前最稳定版本）
2. 安装时务必勾选“Add Python to PATH”
3. 安装完成后重启电脑，再重新运行.bat文件

⚠️ 不建议安装 Python 3.12，部分依赖尚未完全兼容。

❌ pip 安装失败，提示无法下载 torch/xformers

网络不稳定可能导致依赖安装中断。

解决办法：
- 手动安装 PyTorch（CUDA 11.8 示例）：
bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
- 或使用国内镜像加速：
bash pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，再次运行run_nvidia_gpu.bat即可跳过依赖安装阶段。

❌ CUDA out of memory / 显存不足

尤其是使用大模型（如 SDXL）时容易触发。

缓解策略：
- 在 KSampler 节点中启用tile_size参数（例如设为 512），开启分块渲染
- 使用 Tiled VAE 替代普通 VAE 解码器
- 减少采样步数或降低分辨率
- 改用 fp16 精度模型，减少内存占用

对于 8GB 显存以下的用户，建议优先尝试轻量模型（如小巧的 LoRA 组合）。

❌ 打不开 http://127.0.0.1:8188

页面空白或连接被拒？

排查清单：
- 是否防火墙阻止了本地服务？尝试临时关闭杀毒软件测试
- 是否已有其他程序占用了 8188 端口？（如 TensorBoard、旧实例）
- 可修改启动脚本为：
bash python main.py --port 8189
然后访问http://127.0.0.1:8189

提升效率的三个实用建议

默认安装虽能运行，但稍作优化能让体验大幅提升。

✅ 推荐安装 ComfyUI-Manager 插件

前往 https://github.com/ltdrdata/ComfyUI-Manager ，下载并解压到custom_nodes/目录。

重启后你会在界面中看到一个新的“Manager”标签页，可以一键浏览、安装社区热门节点包，比如：

Impact Pack（批量处理、检测增强）
WAS Node Suite（图像预处理工具集）
ControlNet 辅助节点

无需手动查找和配置，极大简化扩展流程。

✅ 定期更新主程序

ComfyUI 更新频繁，常有性能优化和新特性加入。

进入 ComfyUI 根目录，执行：

git pull

即可拉取最新代码。如果当初是通过 ZIP 下载的，建议定期重新下载新版压缩包覆盖更新。

⚠️ 更新前建议备份models/和output/目录，避免误删。

✅ 导出并保存常用工作流

当你调试好一套稳定可用的流程（比如带 ControlNet 的人像生成链），记得点击菜单栏的“Save”按钮，将其导出为.json文件。

以后只需导入该文件，就能一键还原整个节点结构，省去重复搭建的时间。团队协作时也非常有用——别人拿到你的 JSON 文件，也能跑出一模一样的效果。

写在最后：不只是工具，更是一种思维方式

ComfyUI 的价值远不止“另一个绘图界面”。它代表了一种新的 AI 使用哲学：可视化、模块化、可追溯。

你不再只是“使用者”，而成了“流程设计者”。每一个节点都是你决策的一部分，每一次连接都在表达你的意图。这种透明性让实验变得可控，也让创新有了根基。

现在你已经完成了第一步：让 ComfyUI 在自己的机器上跑起来，并亲手构建了第一个工作流。

接下来呢？

不妨试试：
- 加载 ControlNet 实现线稿控制生成
- 搭建多阶段 pipeline 做高清修复
- 用 Latent Couple 实现区域化提示
- 甚至写个自定义节点，接入自己的算法

AI 的创造力不在云端，而在你的画布之上。

🚀 去吧，开始你的节点之旅。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

ComfyUI安装指南：快速上手教程