如果 SD WebUI 是"美颜相机"，ComfyUI 就是"专业修图台"——参数全透明、工作流可保存可分享、显存利用率更高、能通过 API 全自动出图。这篇带你从部署走到节点流实战。基础篇见Stable Diffusion 绘图服务搭建。

一、ComfyUI 强在哪：三个 WebUI 给不了的理由

1. 工作流 = 一个 JSON 文件：整条出图流水线（模型→采样→放大→后处理）保存成一个文件，换机器、换人、换模型，导入即复现。WebUI 的参数散落在几十个输入框里，没法整体迁移
2. 显存效率更高：按需加载、用完即释放，同样 8G 显存能跑 WebUI 跑不动的流程
3. 原生 API 设计：服务启动就带 API，把工作流 JSON 往 /prompt 一 POST 就能跑，自动化流水线的天然入口

代价是学习曲线陡：第一次打开面对的是满屏节点和连线。但按本篇路径走一遍，半小时能上手。

二、部署：Docker + 共享模型目录

ComfyUI 的依赖同样是 PyTorch/CUDA 深坑，一律 Docker：

docker run -d --name comfyui \
  --restart unless-stopped \
  --gpus all \
  -v /data/comfy/models:/app/ComfyUI/models \
  -v /data/comfy/output:/app/ComfyUI/output \
  -v /data/comfy/user:/app/ComfyUI/user \
  -p 127.0.0.1:8188:8188 \
  -e CLI_ARGS="--listen" \
  ghcr.io/ai-dock/comfyui:latest

和 SD WebUI 共用模型目录（如果两个都装了）：ComfyUI 的 models/checkpoints 对应 WebUI 的 models/Stable-diffusion，用软链接打通，一份模型两处用：

# 假设两个服务的模型根都挂在 /data 下
ln -s /data/sd/models/Stable-diffusion/sd_xl_base_1.0.safetensors \
      /data/comfy/models/checkpoints/
ln -s /data/sd/models/Lora /data/comfy/models/loras
ln -s /data/sd/models/ControlNet /data/comfy/models/controlnet

ComfyUI 的模型目录结构和 WebUI 略有差异（checkpoints vs Stable-diffusion），软链接是最省事的对齐方式。磁盘规划见Linux 磁盘挂载与扩容实战。

必装：ComfyUI Manager

没有 Manager 的 ComfyUI 装插件要手动 git clone，装一半人会放弃。用带 Manager 的镜像或在容器里补装：

docker exec -it comfyui bash -c \
  "cd /app/ComfyUI/custom_nodes && \
   git clone https://github.com/ltdrdata/ComfyUI-Manager.git"
# 重启容器
docker restart comfyui

Manager 提供：一键装自定义节点、装缺失模型、工作流分享。界面右侧出现 Manager 按钮即成功。

三、界面导览：三分钟读懂节点流

打开 http://127.0.0.1:8188，默认是个文生图工作流。认识五个元素就够起步：

最实用的一招：任何陌生工作流，先看有没有缺失节点（Manager 会标红"Missing Nodes"），点 Install Missing 一键补齐，再跑。

四、第一个工作流：从默认文生图开始

默认工作流就是标准四段式，理解了它后面全通：

Load Checkpoint ──┬─> CLIP Text Encode（正面提示词）─�
                  ├─> CLIP Text Encode（负面提示词）─┼─> KSampler ──> VAE Decode ──> Save Image
Empty Latent Image（画布尺寸）───────────────────────┘

动手改三个地方建立体感：

1. CheckpointLoader 里换模型：下拉选你下载的 SDXL/SD1.5 模型
2. 正面提示词写：1girl, white shirt, coffee shop, soft lighting, masterpiece
3. Empty Latent Image 尺寸：SD1.5 用 512×512，SDXL 用 1024×1024——尺寸和模型不匹配是新手第一大报错来源

点 Queue Prompt，右下角出图。进度条走完即成功，图片在 output/ 目录。

五、进阶工作流：SDXL 的标准打法

SDXL 想出好图，业界已经沉淀出标准流水线，用 Manager 搜"SDXL workflow"能搜到大量现成的。核心思路是双阶段 + refiner：

Base 模型出 1024×1024 草稿
   └─> Upscale 到 2048（Latent 放大，不吃显存）
        └─> Refiner 模型精修细节
             └─> 可选：Ultimate SD Upscale（分块放大，低显存友好）

给低显存机器的关键参数：KSampler 里 steps 25–30 足够，CFG 7–8；放大走 Latent 模式而不是 Pixel 模式，显存占用差一倍。8G 显存跑 SDXL + 放大流程，参考配置：

六、API 自动化：工作流即代码

ComfyUI 的杀手锏。把工作流导出为 API 格式：

1. 界面右上角打开 Settings → Enable Dev mode Options
2. 点 Save (API Format)，得到一个 JSON 文件——这就是工作流的"源代码"

然后 POST 给服务：

curl -sS http://127.0.0.1:8188/prompt \
  -H "Content-Type: application/json" \
  -d @workflow.json | head -c 300

返回一个 prompt_id，用 /history/{id} 轮询结果。Python 侧接 CI/批处理：

import json, requests, time

wf = json.load(open("workflow.json"))
# 改提示词节点（节点号按实际工作流）
for node in wf.values():
    if node.get("class_type") == "CLIPTextEncode" and node["_meta"]["title"] == "正面提示词":
        node["inputs"]["text"] = "a cat astronaut, cinematic lighting"

r = requests.post("http://127.0.0.1:8188/prompt", json={"prompt": wf})
pid = r.json()["prompt_id"]

while True:
    h = requests.get(f"http://127.0.0.1:8188/history/{pid}").json()
    if pid in h and h[pid].get("outputs"):
        print("出图完成，输出在 output/ 目录")
        break
    time.sleep(2)

典型自动化场景：电商批量出商品图、内容农场批量配图、按模板生成社媒素材。接 n8n 可以做成"表格里填关键词 → 自动出图 → 回传图片链接"的完整流水线，见n8n 自动化工作流。

对外暴露 API同样要走反代加鉴权，Ollama 那套 Nginx 配置改个端口即可（注意 WebSocket 支持），见Nginx 反向代理实战。

七、显存优化：从能跑到跑得快

按显存量级选启动参数（改容器的 CLI_ARGS）：

新版 ComfyUI 已支持 FP8 量子和 SageAttention，8G 显存跑 SDXL 已经不是天方夜谭。没显卡的机器：CPU 模式能跑（加 --cpu），但一张图几分钟到几十分钟，只适合验证工作流，不适合生产。

内存和磁盘同样别省：进程周转吃内存，16G 起步舒服；模型动辄几十 G，数据盘 100G 起，规划见AI 应用选型指南。

八、常见问题排查

诊断三板斧：nvidia-smi、docker logs -f comfyui、界面看红色节点的报错信息。系统化排查见服务器故障排查完全手册。

九、工作流资源从哪来

ComfyUI 生态最大的红利是海量现成工作流：

• ComfyWorkflows / openart.ai：按效果分类，直接下 JSON 导入
• ComfyUI Manager 内置浏览：装插件时装模型，一键补齐依赖
• B 站/YouTube 教程：搜"ComfyUI + 你想要的效果"，作者一般会附工作流文件

拿到别人的 JSON，导入（拖进界面即可）→ Install Missing → 把自己的模型名对上 → Queue。换模型名是唯一经常要动手的地方，其余全自动。

结语

ComfyUI 的投入是值得的：一次学习，换来可复现的工作流、更低的显存门槛、全自动的出图流水线。它和 SD WebUI 不是替代关系——快速试效果用 WebUI，定稿生产和自动化用 ComfyUI，两个服务共享模型目录并存，是云服务器上的标准玩法。

需要跑 AI 绘图的服务器，可以看看财富云计算：NAT 型云服务器内存档位全、数据盘大、支持热升级，自用出图、团队共享这类"吃显卡不吃公网 IP"的场景 NAT 型刚好对症，价格比独立 IP 机型省一半以上。

延伸阅读

1. Homepage 个人仪表盘：把散落各处的服务收进一个首页
2. SSL 证书完全指南：免费证书、自动续期与不过期监控
3. 数据备份体系完全手册：从随手拷到 3-2-1，让数据永远丢不了
4. 压测与容量规划：上线前就知道你的服务器能扛多少人
5. AdGuard Home 内网 DNS：全家去广告、防劫持、内网解析一站解决
6. Hugo 静态博客搭建：秒开的博客，部署只要一个目录
7. 安全应急响应完全手册：服务器被入侵后，按这个流程走
8. 游戏服运营完全手册：从开服到停服，把一台服务器运营成百年老店

更多阅读

1. 上一篇：Stable Diffusion 绘图服务搭建：从选型到出图，把 AI 画图搬上云服务器
2. 下一篇：RAG 知识库搭建：让 AI 读懂你的文档，私有问答系统完整方案