ComfyUI ist derzeit das angesagteste Open-Source-Projekt in der lokalen Bildgenerierung: ein knotenbasiertes Workflow-Frontend für Stable Diffusion, das klassische Oberflächen durch verbindbare Knoten ersetzt. Es liefert keine Modelle mit – es übernimmt nur die „Regie": Modalladen, Prompt-Encoding, Sampling, Dekodierung und Speichern werden in visuelle Knoten zerlegt, die sich frei verdrahten lassen. Dieser Artikel erklärt gebündelt, warum es so beliebt ist, was der Betrieb kostet und welche vier echten Stolperfallen es gibt.
Was ComfyUI eigentlich macht
Klassische SD-Oberflächen (wie AUTOMATIC1111) arbeiten formularbasiert: Modell wählen, Prompt eintippen, Generieren klicken. ComfyUI macht aus jedem Schritt einen Knoten: Load Checkpoint lädt das Modell, CLIP Text Encode kodiert den Prompt, KSampler übernimmt das Sampling, VAE Decode dekodiert das Bild. Knoten reichen Daten über Verbindungslinien weiter, und eine fertige Pipeline lässt sich als wiederverwendbare Workflow-Datei speichern – wer die Workflow-JSON eines anderen hat, kann dieselbe Generierungspipeline mit einem Klick nachbauen. Warum man nach diesem Knoten-Workflow kaum je zurückwill, erklärt auch diese Analyse des ComfyUI-Workflow-Erlebnisses.
Warum es so beliebt ist
Erstens: Workflows sind wiederverwendbar. Wenn neue Modelle wie SDXL oder Flux erscheinen, sind offizielle und Community-Beispiel-Workflows für ComfyUI fast sofort verfügbar – der Verdrahtung folgen und es läuft, deutlich schneller als auf die Anpassung klassischer UIs zu warten.
Zweitens: solides VRAM-Management. ComfyUI lädt und entlädt Modelle in Knotenreihenfolge und braucht spürbar weniger VRAM als vergleichbare Frontends. Auch Karten mit wenig VRAM können große Modelle per gestaffeltem Laden betreiben – der direkte Grund für seinen guten Ruf bei 6-GB- und 8-GB-Nutzern.
Drittens: das Ökosystem eigener Knoten. Mit dem Plugin ComfyUI-Manager lassen sich Community-Knoten so einfach installieren wie Handy-Apps; tausende Drittanbieter-Knoten decken Videogenerierung, Upscaling, Gesichtsreparatur und mehr ab. Der Kern bleibt schlank, Funktionen kommen aus dem Ökosystem.
Für wen es passt – und für wen nicht
Es passt für drei Gruppen: fortgeschrittene Nutzer, die die Generierungspipeline fein steuern wollen, Designer, die Community-Workflows für schnelle Ergebnisse wiederverwenden, und Entwickler, die ComfyUI als Backend-API nutzen – API-Aufrufe werden nativ unterstützt, und hinter vielen KI-Malprodukten läuft es im Hintergrund.
Zwei Gruppen sollten es sich überlegen: blutige Anfänger, die einfach „öffnen und malen" wollen – das Knotenkonzept hat eine Lernkurve, und der erste Start mit einem Bildschirm voller Knoten überfordert leicht. Und Nutzer ohne NVIDIA-GPU: Für AMD- und Intel-iGPUs gibt es experimentelle Unterstützung, doch Ökosystem und Stabilität hinken hinterher, der Bastelaufwand ist hoch.
Betriebskosten: zwei Installationswege und VRAM-Schwellen
Weg eins ist das portable Windows-Paket: ComfyUI_windows_portable_nvidia.7z von der offiziellen Releases-Seite laden, mit 7-Zip entpacken, run_nvidia_gpu.bat doppelklicken und 127.0.0.1:8188 im Browser öffnen. Python 3.13 und CUDA-PyTorch sind eingebettet, keine Umgebungseinrichtung nötig – die sicherste Wahl für Einsteiger. Offiziell gibt es auch AMD-Builds und cu126-Builds für 10er-Serien und ältere Karten.
Weg zwei ist die manuelle Quellinstallation: Repo per git clone holen, Python-Virtualenv anlegen, den passenden CUDA-PyTorch-Build installieren, dann pip install -r requirements.txt und python main.py ausführen. Für Linux-Nutzer und Entwickler, die dem neuesten Code folgen wollen – mit dem Preis, PyTorch-/CUDA-Versionsabgleich selbst zu lösen.
VRAM-Schwellen nach Modellklasse: 6 GB reichen für SD 1.5, 8 GB sind die Komfortlinie für SDXL, große Modelle wie Flux und SD3 brauchen ab 12 GB, und erst ab 16 GB werden ControlNet-Stapel oder Videomodelle praktikabel. 16 GB Arbeitsspeicher werden empfohlen, mindestens 30 GB freier Plattenplatz – 60 GB aufwärts für Flux.
Die versteckten Kosten sind die Modellgewichte: SDXL liegt bei etwa 6,5 GB pro Datei, Flux-Modelle gehen in die Dutzende GB pro Modell. Software und Modelle sind kostenlos; die echte Ausgabe ist die einmalige GPU-Investition – eine RTX-3060-Klasse-Karte für SDXL kostet grob dreihundert bis sechshundert Dollar, danach nur noch Strom.
Keine GPU? Kein Zwang nötig: Cloud-Angebote vermieten GPUs stundenweise. Öffentlichen Angaben zufolge starten Dienste wie RunDiffusion bei etwa 0,50 Dollar pro Stunde, je nach GPU-Stufe aufwärts – für gelegentliches Generieren günstiger als ein Kartenkauf, während Vielnutzer lokal weiterhin günstiger fahren. Zum Ein-Klick-Start in der Cloud siehe auch diese Analyse zu RunDiffusions Cloud-Stable-Diffusion im Ein-Klick-Start.
Vier echte Stolperfallen
Falle eins: fehlende Custom Nodes. Der häufigste Fehler beim Ausführen fremder Workflows ist die rote „Knoten fehlen"-Meldung – der Workflow nutzt Custom Nodes, die nicht installiert sind. Erst ComfyUI-Manager installieren: Er scannt und ergänzt fehlende Knoten mit einem Klick, statt sie einzeln zu suchen.
Falle zwei: VRAM-Überlauf. Lange Prompts und hohe Auflösungen lösen „Out of Memory" aus, besonders bei SDXL-Hochauflösungs-Reparatur auf 8-GB-Karten. Zuerst Auflösung und Batch-Größe senken, dann Startflags wie --lowvram probieren; die echte Lösung ist eine Karte mit mehr VRAM – Abkürzungen gibt es keine.
Falle drei: Plugin-Versionskonflikte. Custom Nodes hängen von unterschiedlichen Versionen von Python-Bibliotheken ab, und viele installierte Knoten laden zu Konflikten ein – Symptome sind ImportError beim Start oder ein Knoten, der plötzlich ausfällt. Nur benötigte Knoten installieren und bei Problemen mit Managers Deaktivierungsfunktion binär eingrenzen.
Falle vier: Modelle im falschen Ordner. Heruntergeladene Modelle im Wurzelverzeichnis laufen nicht: Voll-Checkpoints gehören nach models/checkpoints, VAEs nach models/vae, LoRAs nach models/loras. Bei falschem Ordner taucht das Modell im Frontend-Dropdown schlicht nicht auf – die Ursache hinter der großen Mehrheit aller „Mein Modell wird nicht angezeigt"-Fälle.
Offizielle Repository-Informationen
Plattform: GitHub; Organisation: comfyanonymous; Projektname: ComfyUI. Die Repository-Adresse lautet github.com/comfyanonymous/ComfyUI (reiner Text, kein Link); die Releases-Seite hostet die portablen Builds. Diesen Organisationsnamen exakt prüfen – es gibt reichlich gleichnamige Forks und täuschend ähnliche Repos, und der falsche Download bedeutet im besten Fall eine veraltete Version, im schlimmsten Fall gebündelte Schadsoftware.
