ComfyUI 是本地跑图圈最热门的开源项目：用节点连线替代传统界面的 Stable Diffusion 工作流前端。它不带模型，只负责“调度”——把加载模型、编码提示词、采样、解码、保存拆成可视节点自由连线。这篇一次讲清它的火因、部署成本和四个真实坑点。
ComfyUI 到底是做什么的
传统 SD 界面（如 AUTOMATIC1111）是表单式操作。ComfyUI 把每一步做成节点：Load Checkpoint 加载模型，CLIP Text Encode 编码提示词，KSampler 采样，VAE Decode 解码成图。节点间连线传递数据，存为工作流文件后，别人拿到 JSON 就能一键复刻。关于这种节点工作流为何让人“学会就回不去”，可参考这篇 ComfyUI 节点工作流体验解析。
它为什么这么火
第一，工作流可复用。新模型发布时官方和社区几乎第一时间放出 ComfyUI 示例工作流，照着连线走就能跑通，比等传统界面适配快得多。
第二，显存优化实在。它按节点顺序加载、卸载模型，占用比同类前端低一截，低显存卡也能分段加载跑大模型，在 6GB、8GB 用户群里口碑极好。
第三，自定义节点生态。ComfyUI-Manager 让装社区节点像装手机 App 一样简单，数千第三方节点覆盖视频生成、放大修复等需求，本体保持轻量。
适合谁，不适合谁
适合三类人：想精细控制生成流程的进阶玩家，复用社区工作流快速出图的设计师，把 ComfyUI 当后端 API 用的开发者——不少 AI 绘画产品背后跑的就是它。
不适合两类人：只想“打开就画”的纯新手——节点概念有学习门槛，首屏满屏节点容易懵；没有 NVIDIA 显卡的用户，AMD 与 Intel 核显只有实验性支持。
部署成本：两种装法与显存门槛
装法一是 Windows 便携包：从官方 Releases 页下载 ComfyUI_windows_portable_nvidia.7z，解压后双击 run_nvidia_gpu.bat，浏览器打开 127.0.0.1:8188 即可。自带 Python 3.13 和 CUDA 版 PyTorch，免配环境，新手最稳。另有 AMD 版和 10 系老卡用的 cu126 版。
装法二是源码安装：git clone 后建 Python 虚拟环境，装对应 CUDA 的 PyTorch，再 pip install -r requirements.txt，运行 python main.py。适合 Linux 用户和追新代码的开发者，版本匹配要自己解决。
显存按模型分档：6GB 跑 SD 1.5，8GB 是 SDXL 舒适线，12GB 起步玩 Flux、SD3，16GB 以上适合 ControlNet 叠加或视频模型。内存 16GB，硬盘至少 30GB，玩 Flux 备 60GB。
模型权重是隐形成本：SDXL 约 6.5GB 一个文件，Flux 系单个模型几十 GB。软件和模型免费，真正开销是一次性显卡投入——RTX 3060 级约三百到六百美元。
没显卡不用硬上：云端按小时租 GPU，公开资料显示 RunDiffusion 这类服务约 0.5 美元/小时起。偶尔出图比买卡划算，重度用户本地部署更便宜。云端玩法参考这篇 RunDiffusion 云端 Stable Diffusion 一键启动服务解析。
四个真实坑点
坑点一：自定义节点缺失。跑别人工作流最常见的报错是红色“节点缺失”——用了没装的自定义节点。先装 ComfyUI-Manager，一键扫描补装即可。
坑点二：爆显存。提示词过长或分辨率过高就报 Out of Memory，8GB 卡跑 SDXL 高清修复最常见。先降分辨率和批量数，再试 --lowvram 启动参数；根治只能换大显存卡。
坑点三：插件版本冲突。自定义节点依赖的 Python 库版本各异，装多了易互斥，症状是启动 ImportError 或节点突然失效。只装必需节点，出问题用 Manager 禁用功能二分排查。
坑点四：模型放错目录。模型扔根目录跑不起来：checkpoint 放 models/checkpoints，VAE 放 models/vae，LoRA 放 models/loras。目录错了前端下拉框看不到模型，“模型不显示”求助九成源于此。
官方仓库信息
平台：GitHub；组织：comfyanonymous；项目名：ComfyUI。仓库地址为 github.com/comfyanonymous/ComfyUI（纯文本，非链接），Releases 页提供各版本便携包。认准组织名，网上同名 fork 和仿冒仓库不少，下错包轻则版本陈旧，重则捆绑恶意代码。
