文生图这个领域，云端服务虽然方便但有几个绕不开的问题：成本按张计费，批量出图时费用惊人；隐私方面，很多商业素材不能传到第三方服务器；定制方面，LoRA微调和ControlNet控制在云端很难做；

本地部署ComfyUI是目前最灵活的方案。节点式工作流让你能精确控制图像生成的每个环节，而且资源占用比A1111更低；

硬件要求

显卡是最关键的。NVIDIA显卡，显存不低于8GB。6GB也能跑，但要开低显存模式，速度会慢很多。16GB显存是舒适区，SDXL模型可以畅跑。内存16GB以上，存储预留20GB（模型+插件）。

安装ComfyUI

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

下载模型

模型放到models/checkpoints/目录。推荐几个：

SDXL Base 1.0是Stability AI的基础模型，全能型选手，各种风格都能出。RealVisXL擅长写实风格，人物细节处理得很好。DreamShaper XL在动漫和写实之间平衡得很好，出图质量稳定；

cd models/checkpoints
wget https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors

启动

python main.py                    # 本机访问
python main.py --listen 0.0.0.0   # 允许远程访问
python main.py --lowvram           # 低显存模式（6GB以下）
python main.py --gpu-only          # 全部走GPU（显存够的话速度快）

打开http://127.0.0.1:8188进入界面。

基础工作流

ComfyUI的界面是一个节点编辑器，你需要连接不同的节点来构建工作流。基础文生图工作流包含这几个核心节点：

Load Checkpoint加载模型，这是工作流的起点。**CLIP Text Encode (Prompt)**设置正向提示词（你想要什么）和反向提示词（你不想要什么）。KSampler配置采样参数：steps（采样步数，20-30通常够用）、cfg（引导强度，7-8是常用值）、sampler_name（采样器，dpmpp_2m是性价比最高的选择）、denoise（去噪强度，文生图设1.0）。VAE Decode把潜空间数据转成可见图像。Save Image保存结果；

正向提示词示例：a beautiful sunset over the ocean, golden hour, photorealistic, 8k, detailed clouds, cinematic lighting。反向提示词示例：blurry, low quality, distorted, deformed, ugly, bad anatomy, watermark。

ControlNet控制

ControlNet是出图可控性的关键。它可以接受边缘检测图、深度图、姿态骨架、线稿等作为输入，精确控制生成图像的构图和姿势；

安装ComfyUI ControlNet Auxiliary插件后，在工作流中添加Apply ControlNet节点。输入一张参考图，选择控制类型（Canny边缘/Depth深度/OpenPose姿态），模型会按照参考图的结构生成新图像。

LoRA风格微调

LoRA是轻量级的风格模型（通常几十MB到几百MB），加载后可以让基础模型输出特定风格。Load LoRA节点连接在模型链路中，strength参数控制风格强度（0.6-0.8通常最合适）。

批量出图

ComfyUI支持批量处理。在KSampler中设置seed为-1（随机种子），batch_size设为想要的数量。也可以通过Queue面板批量提交不同参数的工作流。

写在最后

ComfyUI的学习曲线比Stable Diffusion WebUI陡一些，但一旦掌握了节点式工作流，你会发现它的灵活性和可控性远超其他方案。建议从社区导入现成工作流开始，逐个节点理解它的作用，比从零搭快得多。