ComfyUI 2026保姆级安装指南：从零部署到高效AI绘画

还在为 Stable Diffusion WebUI 的复杂操作和资源占用而烦恼？想体验更高效、更稳定、更符合工作流思维的 AI 绘图方式吗？ComfyUI 作为一款基于节点式工作流的 Stable Diffusion 图形界面，正以其卓越的性能、清晰的逻辑和强大的可定制性，成为越来越多 AI 绘画爱好者和专业创作者的首选。然而，其“从零开始”的部署方式也让不少新手望而却步，网络上教程零散，环境冲突、插件报错等问题频发。

本文旨在提供一份真正意义上的“2026保姆级”ComfyUI 全流程安装部署指南。无论你是完全零基础的新手，还是从 WebUI 转战而来的用户，都能通过本文一步步完成从零到一的搭建。我们将涵盖本地环境部署、核心软件安装、必备插件安装三大核心环节，并重点介绍备受好评的“秋叶 ComfyUI 整合包”，让你跳过大部分坑点，直接将效率拉满，快速进入创作状态。

1. 理解 ComfyUI：为什么选择它？

在动手安装之前，我们有必要先理解 ComfyUI 的核心价值，这能帮助你判断它是否适合你，并在后续使用中更好地利用其特性。

1.1 ComfyUI 是什么？

ComfyUI 是一个将 Stable Diffusion 的生成过程可视化、模块化的图形用户界面。它将文生图、图生图中的每一个步骤（如加载模型、编码提示词、采样、解码等）抽象为一个个独立的“节点”（Node），用户通过连接这些节点来构建完整的图像生成“工作流”（Workflow）。

与 Stable Diffusion WebUI（AUTOMATIC1111）最大的不同在于：

  • WebUI：提供的是封装好的功能按钮（如文生图、图生图、后期处理），内部流程对用户是黑盒。
  • ComfyUI：将整个生成流程完全展开，每个参数、每个处理步骤都清晰可见且可调。

1.2 ComfyUI 的核心优势

  1. 极高的效率与低资源占用：由于其轻量化的设计和对工作流的优化，ComfyUI 通常比 WebUI 生成速度更快，显存（VRAM）占用更低，对硬件更友好。
  2. 无与伦比的可视化与可控性：你可以清晰地看到 latent space（潜空间）的演变，精确控制 LoRA、ControlNet 等插件在流程中的介入时机和强度，实现极其精细的调控。
  3. 强大的工作流复用与分享：你可以将搭建好的完整流程保存为一个.json或.png文件。下次使用时直接加载，所有参数、模型路径都会自动恢复，极大提升了复杂创作的复现性和团队协作效率。
  4. 卓越的稳定性：节点式架构避免了 WebUI 中扩展（Extension）之间可能存在的冲突，系统更为稳定。
  5. 活跃的社区与生态：拥有大量开发者为其制作功能强大的自定义节点（插件），社区分享的工作流更是学习与创作的宝库。

1.3 谁适合使用 ComfyUI？

  • 追求效率和稳定性的用户：受够了 WebUI 的卡顿、崩溃和扩展冲突。
  • 希望深入理解 AI 绘图原理的用户：想要揭开黑盒，掌握图像生成的每一个环节。
  • 需要进行复杂、可重复创作的创作者：如漫画分镜、角色一致性、复杂场景构建。
  • 开发者与研究者：便于调试、实验新的生成思路和流程。

如果你符合以上任何一点，那么投入时间学习 ComfyUI 将是非常值得的。接下来，我们将进入实战环节。

2. 环境准备与部署方案选择

工欲善其事，必先利其器。在安装 ComfyUI 之前，我们需要准备好基础运行环境。对于绝大多数用户，我们推荐在Windows 10/11系统上进行部署。本文将主要围绕 Windows 平台展开。

2.1 基础环境检查清单

在开始前，请确保你的电脑满足以下最低要求，并完成相应准备：

项目要求检查与准备
操作系统Windows 10/11 (64位)确认系统版本。
显卡 (GPU)NVIDIA 显卡，显存 ≥ 4GB (推荐 6GB+)这是硬性要求。ComfyUI 严重依赖 NVIDIA 的 CUDA 进行加速。AMD 或 Intel 核显用户需额外配置，本文不涉及。
Python版本 3.10.x关键！ComfyUI 官方推荐且最稳定的 Python 版本是3.10.6或3.10.9。请避免使用 3.11 或 3.12 等新版本，以免遇到依赖包兼容性问题。
Git最新版即可用于从 GitHub 克隆 ComfyUI 的源代码。
磁盘空间至少 20GB 可用空间用于存放 ComfyUI 本体、基础模型（如 SD1.5, SDXL）、LoRA、VAE 等文件。

2.2 部署方案对比：手动安装 vs 整合包

面对 ComfyUI 的安装，主要有两种路径：

  1. 手动安装（从源码部署）：

    • 优点：最纯净，完全遵循官方流程，便于理解底层结构，适合喜欢折腾、学习或需要特定版本定制的用户。
    • 缺点：步骤繁琐，需要自行解决 Python 环境、依赖冲突、CUDA 版本匹配等问题，对新手不友好，容易踩坑。

  2. 使用整合包（推荐给绝大多数用户）：

    • 优点：开箱即用！整合包作者已经帮你配置好了 Python 环境、依赖库、甚至预装了一些常用插件和模型。一键启动，极大降低了入门门槛。
    • 缺点：整合包体积较大，可能包含你不需要的插件或模型；更新可能略滞后于官方源码。

结论与建议：对于希望快速上手、专注于创作而非环境调试的新手和绝大多数用户，我们强烈推荐直接使用整合包。国内最知名、维护最积极的整合包即是由“秋葉aaaki”制作的秋叶 ComfyUI 整合包。它不仅解决了环境问题，还做了大量汉化、优化和预配置工作，体验极佳。

本文将以秋叶 ComfyUI 整合包为主线，讲解最快捷的部署方式，并在后续章节补充手动安装的核心步骤以及插件安装的通用方法，确保你能获得最完整的知识。

3. 方案一：使用秋叶 ComfyUI 整合包（极速入门）

这是最快、最省心的方式，让你在几分钟内就能运行起 ComfyUI。

3.1 下载秋叶 ComfyUI 整合包

  1. 寻找下载源：由于整合包文件较大（通常几个GB），作者通常会发布在网盘（如百度网盘、123云盘）或通过社群分享。你可以通过搜索引擎查找“秋叶 ComfyUI 整合包”的最新发布帖子或视频，在描述中找到下载链接。
  2. 选择版本：下载时注意选择标注了“一键启动”、“解压即用”的版本，并留意其内置的 ComfyUI 版本（如基于 ComfyUI v0.30.0）。
  3. 准备磁盘空间：确保你的目标磁盘（如 D 盘）有足够的空间（建议预留 30GB+）。

3.2 安装与启动步骤

假设你已经将整合包下载为一个压缩文件（如ComfyUI_秋叶整合包_vX.X.7z）。

  1. 解压文件：使用解压软件（如 Bandizip, 7-Zip）将整合包解压到一个英文路径下。例如：D:\AI\ComfyUI。绝对避免使用包含中文或特殊字符的路径，这是许多奇怪错误的根源。
  2. 目录结构初览：解压后，你会看到类似以下的目录结构：
    ComfyUI_windows/ ├── ComfyUI/ # ComfyUI 主程序目录 ├── python_embeded/ # 内置的 Python 3.10 环境，无需单独安装 ├── 启动器/ # 秋叶制作的图形化启动器 ├── 一键启动.bat # 启动脚本 └── 其他说明文件.txt
  3. 一键启动：直接双击运行根目录下的一键启动.bat文件。
  4. 启动器配置（首次运行）：
    • 首次运行可能会弹出启动器界面。在这里你可以进行一些便捷设置：
      • 加速配置：可以选择“清华镜像源”或“阿里镜像源”来加速后续插件的下载。
      • 版本管理：可以切换/更新 ComfyUI 本体。
      • 插件管理：可以安装、更新、禁用社区插件。
    • 对于首次使用，保持默认设置，直接点击“一键启动”按钮即可。
  5. 等待启动完成：启动器会自动打开一个命令行窗口，开始加载 ComfyUI。这个过程会自动安装剩余的必要依赖。请保持网络畅通，并耐心等待，直到命令行窗口最后出现类似以下的输出：
    Running on local URL: http://127.0.0.1:8188
    这表示 ComfyUI 服务已经成功启动。
  6. 访问 Web 界面：打开你的浏览器（推荐 Chrome 或 Edge），在地址栏输入http://127.0.0.1:8188并访问。你将看到 ComfyUI 的默认节点界面。

恭喜！至此，你已经成功运行了 ComfyUI。整合包通常已经预置了基础模型和几个示例工作流，你可以直接尝试加载和运行。

3.3 整合包常见问题与解决

  • 双击.bat文件闪退：
    • 可能是杀毒软件/Windows Defender 拦截。将整合包目录添加到杀毒软件的白名单中。
    • 右键一键启动.bat，选择“以管理员身份运行”试试。
  • 启动时提示缺少*.dll文件：
    • 常见于系统缺少运行库。请安装最新的 Visual C++ Redistributable 。
  • 启动器无法更新或安装插件：
    • 检查网络连接，尝试在启动器的“设置”中切换不同的镜像源。
    • 也可以直接使用后续章节的“手动安装插件”方法。

4. 方案二：手动安装 ComfyUI（从源码部署）

如果你希望从零开始，或整合包无法满足你的定制需求，可以跟随本章节进行手动安装。这能让你更深入地理解 ComfyUI 的组成。

4.1 安装 Python 3.10.9

  1. 访问 Python 官网 下载 Windows 安装包 (python-3.10.9-amd64.exe)。
  2. 运行安装程序。至关重要的一步：务必勾选“Add Python 3.10 to PATH”，将 Python 添加到系统环境变量。
  3. 点击“Install Now”进行安装。
  4. 验证安装：打开命令提示符（CMD）或 PowerShell，输入python --version，应显示Python 3.10.9。

4.2 安装 Git

  1. 访问 Git 官网 下载 Windows 版 Git 安装程序。
  2. 一路默认选项安装即可。
  3. 验证安装：在命令提示符输入git --version，应显示版本号。

4.3 安装 CUDA 与 PyTorch（针对 NVIDIA 显卡）

这是手动安装中最容易出错的一环，需要匹配你的显卡驱动、CUDA 版本和 PyTorch 版本。

  1. 查看显卡驱动支持的 CUDA 版本：
    • 在桌面右键点击“NVIDIA 控制面板”。
    • 点击左下角“系统信息”，切换到“组件”选项卡。
    • 查看“NVCUDA.DLL”对应的产品名称，例如CUDA 12.4。这表示你的驱动最高支持 CUDA 12.4。
  2. 安装 PyTorch：
    • 访问 PyTorch 官网 。
    • 根据你的 CUDA 支持版本选择命令。例如，你的驱动支持 CUDA 12.1，则选择：
      • PyTorch Build: Stable (2.x.x)
      • Your OS: Windows
      • Package: Pip
      • Language: Python
      • Compute Platform: CUDA 12.1
    • 官网会生成一条命令，如：pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
    • 打开命令提示符，运行这条命令。这会安装与 CUDA 12.1 兼容的 PyTorch。

4.4 克隆并运行 ComfyUI

  1. 克隆仓库：打开命令提示符，切换到你希望安装的目录（如D:\AI），执行：
    git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI
  2. 安装依赖：在ComfyUI目录下，运行：
    pip install -r requirements.txt
    这个过程会下载所有必需的 Python 库，请保持网络畅通。
  3. 下载基础模型：ComfyUI 本身不包含任何模型。你需要将 Stable Diffusion 模型文件（如sd_xl_base_1.0.safetensors）放入ComfyUI\models\checkpoints\目录。可以从 CivitAI 或 Hugging Face 下载。
  4. 运行 ComfyUI：在ComfyUI目录下，运行：
    python main.py
  5. 访问界面：同样，在浏览器中访问http://127.0.0.1:8188。

5. 核心目录结构与模型管理

无论使用哪种方式安装，理解 ComfyUI 的目录结构对于后续管理和安装插件都至关重要。

5.1 关键目录说明

以整合包或手动安装的ComfyUI主目录为例：

ComfyUI/ ├── models/ # 所有模型文件存放处 │ ├── checkpoints/ # 大模型 (Stable Diffusion 主模型) │ ├── vae/ # VAE 模型 │ ├── loras/ # LoRA 模型 │ ├── controlnet/ # ControlNet 模型 │ ├── upscale_models/ # 超分辨率模型 (如 ESRGAN) │ └── clip_vision/ # CLIP 视觉模型 (用于 IPAdapter 等) ├── output/ # 生成图片的默认输出目录 ├── input/ # 默认输入图片目录 (用于图生图等) ├── custom_nodes/ # **自定义节点（插件）安装目录** ├── web/ # Web 前端文件 ├── comfy/ # 后端核心代码 └── main.py # 主启动文件

最重要的规则：将下载的模型文件对号入座，放入对应的models子文件夹中，ComfyUI 才能识别它们。

5.2 如何安装模型？

  1. 大模型 (Checkpoint)：从 CivitAI、Hugging Face 或你熟悉的渠道下载.safetensors或.ckpt文件，放入models/checkpoints/。
  2. LoRA：下载.safetensors文件，放入models/loras/。
  3. ControlNet：下载.pth或.safetensors文件，放入models/controlnet/。
  4. VAE：下载.pt或.safetensors文件，放入models/vae/。

放置完成后，通常需要重启 ComfyUI（在命令行窗口按Ctrl+C停止，再重新运行python main.py或通过启动器重启），新的模型才会出现在节点的加载列表中。

6. 插件（自定义节点）安装与管理

ComfyUI 的强大生态离不开海量的自定义节点（Custom Nodes），也就是我们常说的插件。它们可以添加新的采样器、图像处理功能、工作流优化等。

6.1 安装插件的三种方法

假设我们要安装一个非常流行的图片预览和管理插件ComfyUI-Manager。

方法一：通过启动器安装（仅限整合包用户）这是最简便的方法。在秋叶启动器的“插件管理”或“高级选项”标签页中，通常有一个插件列表，你可以直接搜索ComfyUI-Manager并点击安装。

方法二：使用git clone命令（通用方法）这是最标准的手动安装方式。

  1. 打开命令提示符，导航到你的ComfyUI根目录下的custom_nodes文件夹。
    cd D:\AI\ComfyUI\custom_nodes
  2. 使用git clone命令克隆插件的仓库。插件的 GitHub 地址通常在其主页可以找到。
    git clone https://github.com/ltdrdata/ComfyUI-Manager.git
  3. 克隆完成后，重启 ComfyUI。插件通常会自行安装依赖。

方法三：直接下载 ZIP 包在插件的 GitHub 页面，点击 “Code” -> “Download ZIP”，解压后，将文件夹放入custom_nodes目录，然后重启 ComfyUI。

6.2 必备插件推荐

安装好ComfyUI-Manager后，你可以在浏览器中通过其界面更方便地安装、更新其他插件。以下是一些强烈推荐的入门必备插件：

  1. ComfyUI-Manager：插件管理器本身，提供图形化界面安装、更新、删除插件。
  2. ComfyUI-Impact-Pack：功能巨无霸包，包含大量实用节点，如通配符处理、图像工具、细节修复等。
  3. ComfyUI-Advanced-ControlNet：提供更强大的 ControlNet 控制节点。
  4. ComfyUI-InstantID或ComfyUI-IPAdapter-Plus：用于实现人物/风格的一致性生成。
  5. ComfyUI-Custom-Scripts：添加一些便捷的小功能，如提示词搜索替换。

安装建议：初期不要安装过多插件，先熟悉基础操作，再按需添加，避免节点列表过于杂乱和潜在的冲突。

6.3 插件安装失败排查

  • 克隆失败：检查网络，确认 GitHub 地址是否正确。
  • 启动时报错，提示缺少模块：这是最常见的插件安装问题。通常是因为插件有额外的 Python 依赖。
    • 解决方案：在ComfyUI根目录下，根据插件README.md的说明，使用pip install命令安装缺失的包。例如：
      cd D:\AI\ComfyUI pip install -r custom_nodes/插件文件夹名/requirements.txt
      如果插件没有requirements.txt，则根据错误信息手动安装指定包。
  • 插件不显示：确认插件文件夹是否放入了custom_nodes目录，并已重启 ComfyUI。

7. 基础工作流搭建与使用入门

成功安装并启动后，面对空白的画布可能会不知所措。让我们搭建一个最简单的文生图工作流，理解核心节点。

7.1 你的第一个工作流：简易文生图

  1. 在浏览器中打开 ComfyUI 界面。
  2. 右键点击画布空白处，选择“Add Node”。
  3. 依次添加并连接以下节点（在搜索框中输入名称快速查找）：
    • Load Checkpoint：加载大模型。双击节点，选择你放入checkpoints文件夹的模型。
    • CLIP Text Encode (Prompt)：编写正向提示词。将text连接到大模型的clip输出。
    • CLIP Text Encode (Prompt)：编写负向提示词。同样连接到大模型的clip输出。
    • Empty Latent Image：设置生成图片的宽高和批次大小。将其samples输出连接到KSampler。
    • KSampler：核心采样器。连接：
      • model-> 大模型的MODEL输出。
      • positive-> 正向提示词的CONDITIONING输出。
      • negative-> 负向提示词的CONDITIONING输出。
      • latent_image->Empty Latent Image的LATENT输出。
    • VAE Decode：将采样后的潜空间数据解码为图片。连接：
      • samples->KSampler的LATENT输出。
      • vae-> 大模型的VAE输出。
    • Save Image：保存图片。连接images->VAE Decode的IMAGE输出。
  4. 填写提示词，设置好尺寸和采样步数，点击右下角的“Queue Prompt”按钮。
  5. 等待生成，图片将保存在output目录，并在Save Image节点上预览。

7.2 加载与分享工作流

  • 保存工作流：点击右侧菜单的“Save”按钮，可以将当前画布上的所有节点和设置保存为一个.json文件。
  • 加载工作流：点击“Load”按钮，选择之前保存的.json文件，即可完全复现整个工作流。
  • 加载图片工作流：ComfyUI 有一个神奇的功能：将工作流嵌入到生成的图片中。你只需要将任何由 ComfyUI 生成的图片拖入画布，它就会自动还原出生成该图片的完整工作流（包括所有参数和模型名）。这是学习和复现他人作品的最佳方式。

8. 常见问题与故障排除大全

即使使用整合包，在后续使用中也可能遇到问题。这里汇总了高频问题及解决方案。

8.1 启动与运行问题

问题现象可能原因解决方案
启动时提示Torch not compiled with CUDA enabledPyTorch 未安装 CUDA 版本或 CUDA 版本不匹配。1. 确认安装了 NVIDIA 显卡驱动。
2. 根据驱动支持的 CUDA 版本，重新安装对应版本的 PyTorch（见 4.3 节）。
启动时大量ModuleNotFoundErrorPython 依赖缺失。在 ComfyUI 根目录运行pip install -r requirements.txt。对于整合包用户，尝试通过启动器修复或重新解压。
访问http://127.0.0.1:8188无响应ComfyUI 服务未成功启动或端口被占用。1. 检查命令行窗口是否成功运行到最后并显示 URL。
2. 尝试更换端口启动：在启动命令后加--port 8189。
3. 检查防火墙是否阻止了 Python。
生成图片时显存（VRAM）不足报错模型过大或分辨率设置过高。1. 使用显存优化参数启动：python main.py --lowvram或--medvram。
2. 降低生成图片的宽高。
3. 使用更小的模型或启用--cpu将部分计算移至内存（极慢）。

8.2 模型与插件问题

问题现象可能原因解决方案
在节点中找不到已放入的模型模型未放入正确目录；ComfyUI 未重启。1. 确认模型文件在models下对应的子文件夹内。
2.重启 ComfyUI。
3. 检查模型文件是否完整（可尝试重新下载）。
插件安装后不显示或报错依赖未安装；插件与当前 ComfyUI 版本不兼容。1. 根据插件说明或错误信息，安装缺失的 Python 包。
2. 检查插件 GitHub 页面的 Issues，看是否有已知的版本兼容问题。
3. 尝试回退到插件的旧版本。
加载他人工作流时提示缺少节点你的环境中没有安装工作流中用到的插件。1. 仔细阅读工作流作者提供的说明，安装所有必需的插件。
2. 使用ComfyUI-Manager，它可以在加载缺失工作流时提示你安装所需插件。

8.3 性能与优化问题

  • 生成速度慢：
    • 确认在KSampler中使用了k_euler，k_euler_ancestral，dpmpp_2m等速度较快的采样器。
    • 减少采样步数（steps），如从 30 降到 20。
    • 关闭KSampler中的denoise选项（如果不是图生图）。
  • 图片质量不佳：
    • 使用更高步数（如 25-30）。
    • 尝试不同的采样器，如DPM++ 2M Karras。
    • 检查提示词是否准确，可以尝试添加质量标签，如masterpiece, best quality, ultra-detailed。
    • 使用专门的负面提示词嵌入模型（如EasyNegative）。

9. 最佳实践与进阶建议

当你熟悉基础操作后，以下建议能帮助你更高效、更稳定地使用 ComfyUI。

9.1 工作流管理

  1. 模块化与分组：对于复杂工作流，善用Reroute节点整理连线，使用Group功能将相关节点打包并命名（如“提示词处理区”、“高清修复区”），让画布清晰易读。
  2. 使用模板：将常用的、稳定的子流程（如高清修复、人脸修复）保存为单独的.json文件，在需要时作为模块加载进来，避免重复搭建。
  3. 版本控制：使用ComfyUI-Manager定期备份你的custom_nodes列表。在尝试新插件或大版本更新前，备份整个ComfyUI目录。

9.2 模型与资源管理

  1. 分类存储：严格按类型存放模型。可以建立子文件夹进一步分类，如checkpoints/realistic/,checkpoints/anime/。
  2. 善用别名：对于需要频繁切换的模型（如 VAE），可以在extra_model_paths.yaml配置文件中设置别名，方便在节点中快速选择。
  3. 定期清理：及时删除不再使用的模型和插件，释放磁盘空间。

9.3 学习与探索路径

  1. 从模仿开始：去 CivitAI 或 OpenArt 下载你喜欢图片的.png工作流文件，拖入 ComfyUI 学习他人的节点连接和参数设置。
  2. 理解核心节点：深入理解KSampler、CLIP Text Encode、VAE Encode/Decode、Conditioning等核心节点的工作原理，这是构建复杂工作流的基础。
  3. 关注社区：GitHub、Discord 和相关的 subreddit 是获取最新插件、工作流和问题解答的宝地。

ComfyUI 的学习曲线初期可能比 WebUI 陡峭，但一旦你掌握了其节点式的工作逻辑，你将获得前所未有的控制力和创作自由。这份保姆级教程希望能为你扫清入门的所有障碍。从今天起，尝试用 ComfyUI 搭建你的第一个工作流，感受可视化编程 AI 绘图的魅力吧。如果在实践中遇到本文未覆盖的具体问题，带着错误信息去社区搜索，通常都能找到答案。祝你创作愉快！