ComfyUI 没那么难，难的是它不给你「生成」按钮

搜「ComfyUI 教程」，出来的九成是「照着点这里、那里换成这个模型」。教程默认你已经知道自己为什么要用它，但绝大多数人是被别人的截图吸引过来的：一张复杂的连线图，看着像专业工具，于是觉得不用它就落伍了。

真正的落差发生在装好之后。打开是一块空白画布，没有输入框，没有「生成」按钮。

它其实是一台要你接线的机器

ComfyUI 有三个部分：前端画布、后端推理、以及中间那套执行逻辑。你在画布上放的每个节点，对应后端的一次函数调用——加载模型、编码文本、采样、解码成图。连线就是在传参数。

这带来两个立刻能感觉到的后果。

一是只有连上的节点会被执行。你拖进来十个节点但只连了三个，跑起来就只有三个在动。这既是它的灵活之处，也是新手最容易困惑的地方：报错说「缺少输入」，往往不是缺模型，是某根线没接。

二是结果按节点缓存。改一个数字，只有这个节点和它下游会重算，前面那些加载模型、编码提示词的部分直接用上次的结果。所以第二次出图往往比第一次快很多，这个快不是显卡突然变强了，是没有重跑。

理解了这两条，画布就不神秘了：你在决定哪几步真的发生。

劝退人的三件事都跟界面无关

第一，别人的工作流不是文件，是环境。 网上下的 .json 工作流，里面每个节点可能来自某个第三方节点包。你导入之后满屏红色，不是文件坏了，是你没装那些包、或者版本对不上。这也是为什么照抄工作流的人最后都在装包，而不是在画图。

第二，显存不够不等于跑不了。 ComfyUI 会自己把模型在显存和内存之间倒腾，实在紧张就分块算。代价是速度断崖式下跌——同样一张图，可能从十几秒变成几分钟。它不会拦你，只会让你以为这台机器「带不动 AI」。

第三，模型文件散在各处。 底模进 models/checkpoints，LoRA 进 models/loras，VAE 单独放一个目录，ControlNet 又是另一个。放错目录不会报错，只是节点列表里搜不到，得翻文档才知道该放哪。

数字先摆出来

现在是 v0.43（十月底），迭代节奏基本一两周一个小版本，所以下面的东西过几个月就可能变。

还有一个具体的坑：Comfy Desktop 在 macOS 上只支持 Apple Silicon。家里那台 Intel 的 Mac mini 只能走手动安装那套 Python 环境，桌面版没有 mac 的 x86 包。

装节点这件事，风险被严重低估

自定义节点是第三方写的 Python 代码，装上去就在你的机器上、用你的权限跑。它要读文件、要联网、要执行命令，你都没有拦截的机会——不是 ComfyUI 不做防护，是这种插件机制本身就这样。

所以装之前至少做两件事：一是不装来路不明的包，二是别把 ComfyUI 跑在有你重要数据的那台机器上。Manager 里有个安全等级设置，默认档会在安装前提示风险，别嫌它烦去关掉。

还有个更实际的问题：节点包之间会互相冲突，尤其涉及 torch、transformers 这类底层依赖时，A 包要的版本和 B 包要的正好相反。表现是 ComfyUI 起不来，或者某个节点突然报错。我的做法是一个项目一个实例，桌面版支持同时管理多个实例，各自一套 Python 环境和节点，坏一个不影响另一个。

什么时候别用它

个人判断，三种情况不值得折腾：

• 就想出几张图。用网页版或者别的一键工具，五分钟的事，没必要为了几张图维护一套环境。
• 要稳定批量出图。画布适合试探，不适合当产线。真要做产品，走 API，把工作流当参数传进去，前端那套交互交给自己的代码。
• 你的机器只有核显或者 8GB 内存。能跑，但那个速度会让你对本地生成这件事失去兴趣。要么借云端算力，要么干脆用 API 节点调远程模型。

反过来说，什么时候它真的有用：你需要精确控制每一步，需要复现同一套流程，需要在生成前后插自己的处理逻辑（裁剪、遮罩、批量替换、拼图）。这些需求用按钮式的工具做不出来，因为那些工具把中间过程藏起来了。

要不要用它，跑通一个官方模板再决定。模板能出图、你也看得懂那张图在干什么，剩下的就是装包和调参；模板跑完你只觉得烦，那就换工具，不用勉强。