企业官网建设流程全解析

先说结论：在 ComfyUI 里做模型替换，不是把新模型文件拖进目录就完事。很多人换完模型发现出图崩、风格不对、人物糊，问题通常不在模型本身，而在替换链路里还有 Checkpoint 切换、提示词适配、VAE 配套、采样参数、批量验证这些环节没有一起跟上。

这次我们看一个很具体的替换场景：把出图模型从“死神遗镰”切成“大狗叫”。这两个名字你可以先理解成两套不同的本地模型文件，“大狗叫”是目标模型，“死神遗镰”是当前在用的模型。整篇文章会按本地模型替换的完整流程展开，包含模型文件准备、ComfyUI 节点切换、参数调整、批量出图、API 调用和常见问题排查。即使你手上不是这两个模型，换成任意两个 Checkpoint 或 LoRA，这套流程同样能复用。

文章适合已经在用 ComfyUI、想换模型风格但不想重新搭工作流的用户，也适合刚开始接触本地出图、想搞清楚 Checkpoint、LoRA、VAE 之间关系的读者。全文不涉及复杂的训练环节，只讲替换和验证这件事怎么落地。

1. 核心能力速览

这是一个以模型替换为核心流程的操作型教程。先把手头要准备的东西和能实现的能力列成一张表，方便对照检查。

这里需要先说明一点：本文不会把两个模型的出图效果写成固定结论，因为模型版本、提示词、采样参数不同，真实表现差异很大。更稳妥的判断方式是直接跑几组对比图，用结果判断现有工作流是否适合新模型。

2. 适用场景与使用边界

2.1 这个流程适合谁

如果你满足下面任意一条，这个替换流程值得完整走一遍。

• 想切换本地绘图模型，但不希望从零重写 ComfyUI 工作流。
• 想比较两个 Checkpoint 在相同提示词下的风格差异，需要批量生成对比图。
• 想把旧的手动出图流程改成 API 批量调用，方便接入自己的管理脚本。
• 想理解模型文件、VAE、LoRA 之间如何配合，减少换模型后的返工。

2.2 不适合什么场景

• 如果你需要完全不同的工作流结构，比如从文生图切到图像编辑，单纯换 Checkpoint 不够，要改节点链路。
• 如果你希望新模型能 100% 复现旧模型的提示词效果，这通常很难做到，因为模型训练语料、风格倾向都不一样。
• 如果你要处理的是别人训练且未授权使用的模型文件，先确认授权再使用，不要直接拿来做商用。

2.3 合规与安全边界

本地模型替换涉及模型文件下载、图像生成和可能的 API 服务，使用时要关注以下几点。

• 确认模型文件来源合法，尽量使用作者允许下载、允许本地使用的版本。
• 如果模型基于某个角色形象、真实人物或受版权保护的素材训练，不要用于仿冒、造谣、规避审核等场景。
• 用 API 批量生成时，建议只在本地或受控网络内开放服务，避免未授权的公网访问。
• 涉及人脸生成、声音克隆或数字人相关能力时，必须先获得当事人授权，并在测试环境验证边界。

3. 环境准备与前置条件

3.1 操作系统与硬件

ComfyUI 官方对 Windows、Linux 都有较好的支持。通常来说，显卡驱动和 CUDA 环境要先装好，N 卡体验最顺畅。如果没有独立显卡，也能用 CPU 跑，但出图速度会慢很多，适合小尺寸简单测试。

显存方面，不同模型差异很大。老一点的 SD1.5 系列模型占用相对低，SDXL 系列需要更高显存和更大磁盘空间。这里的判断标准是：以本地实际运行时的显存占用为准。不要只看模型文件大小，要看加载进显存后的实际占用。

3.2 Python 与依赖

ComfyUI 基于 Python 开发，建议使用 Python 3.10 或更高版本。安装 PyTorch 时要注意 CUDA 版本匹配，否则启动时会报 Torch 相关错误。

通用检查清单如下。

• Python 版本符合项目要求。
• 显卡驱动已更新，nvidia-smi能看到正常输出。
• PyTorch 安装的是 GPU 版本，torch.cuda.is_available()返回 True。
• ComfyUI 依赖已完整安装，requirements.txt已执行。

3.3 模型目录结构

ComfyUI 默认通过目录结构区分模型类型。换模型时，大部分文件只需要放到对应目录里。

ComfyUI/ ├── models/ │ ├── checkpoints/ # 完整模型文件，如大狗叫模型 │ ├── loras/ # LoRA 文件 │ ├── vae/ # 独立 VAE 文件 │ ├── controlnet/ # ControlNet 模型 │ └── ... ├── input/ # 图生图输入素材 ├── output/ # 出图结果 └── main.py # 启动入口

“死神遗镰”模型如果暂时不用，可以先备份到别处或保留在 checkpoints 目录里，不一定要马上删除。保留旧模型的好处是方便做对比测试，缺点是多占磁盘空间。

磁盘空间按模型体积预留。一个较大模型往往有几 GB，如果目录里还保留了多个版本，建议至少预留几十 GB 空间。

4. 安装部署与启动方式

4.1 使用一键包或源码启动

ComfyUI 有两种常见启动方式：一种是解压即可用的整合包，一种是源码拉取后手动安装依赖。无论哪种，最终都是执行main.py启动服务。

如果使用整合包，通常自带 Python 环境和依赖，直接运行启动脚本即可。如果使用源码，先安装依赖再启动。

cd ComfyUI pip install -r requirements.txt python main.py

启动成功后，浏览器访问默认地址即可打开 WebUI。

http://127.0.0.1:8188

如果 8188 端口被占用，可以手动指定端口。

python main.py --port 8189 --listen 127.0.0.1

这里需要提醒：--listen 127.0.0.1表示只允许本机访问。如果要让局域网内其他设备访问，可以把 IP 换成0.0.0.0，但要注意访问权限，不要随意暴露到公网。

4.2 放置“大狗叫”模型文件

拿到“大狗叫”模型文件后，先确认文件格式。常见的有.safetensors和.ckpt，推荐优先使用.safetensors，安全性更高。

文件放入对应目录：

# 完整模型放入 checkpoints 目录 ComfyUI/models/checkpoints/dagoujiao_v1.safetensors

如果是 LoRA 形式的模型，则放入 loras 目录：

ComfyUI/models/loras/dagoujiao_lora_v1.safetensors

放入后回到 ComfyUI 页面刷新，正常情况下“大狗叫”会出现在 Checkpoint 加载器或 LoRA 加载器的模型下拉列表里。如果列表里没有，优先检查目录路径和文件名，然后重新启动 ComfyUI。

模型下载完成后建议做一次哈希校验，防止文件损坏导致加载报错。

sha256sum dagoujiao_v1.safetensors

把计算结果与来源页面提供的哈希值对比。如果一致，文件完整性没问题。

4.3 “死神遗镰”模型是否需要删除

不强制删除。稳妥的做法是先在当前工作流里确认所有引用“死神遗镰”的节点，把它们替换成“大狗叫”，再决定是否移除旧文件。

很多人在这个步骤踩坑：新模型文件放进了目录，但工作流里 Checkpoint 加载器仍然指向旧模型名，结果生成出来的图还是旧模型效果。排查时先看节点里的模型名称，不要只看目录里的文件。

5. 功能测试与效果验证

5.1 第一次单图测试

启动 ComfyUI 后，先不要直接跑批量任务，用最小的参数跑一张图验证链路是否通畅。

操作步骤：

• 在 Checkpoint 加载器中把 ckpt_name 切换为“大狗叫”模型。
• 正向提示词填一句简单描述，比如a small dog sitting on the grass, soft light。
• 负向提示词保持原有内容不变，或者从最简开始。
• 采样步数先用 20，CFG 先用 7。
• 分辨率先用 512x512 或模型对应的小尺寸，跑通后再放大。

预期结果是：任务能正常执行，图像能保存到 output 目录，WebUI 页面能看到生成缩略图。如果执行过程报错或输出空白图，先看控制台日志和节点状态。

这个阶段判断链路的三个标准：

• 模型加载没有报错。
• 采样过程正常走完。
• 最终图片文件和预览图都存在。

5.2 对比测试

对比测试的目的是看“大狗叫”和“死神遗镰”在相同提示词下差异有多大。操作方式是在 Checkpoint 加载器里切换模型名，保持其他节点参数不变，分别生成一张图。

建议把两张图的种子固定成同一个数值，这样更容易看出模型差异，而不是随机噪声差异。种子相同、提示词相同、参数相同，只换模型，得到的风格差异基本就是模型本身的倾向。

对比时重点观察：

• 色彩倾向是否有明显变化。
• 人物或主体的面部、结构是否稳定。
• 背景细节和光影风格差异。
• 是否出现旧模型没有的伪影或滤镜感。

如果差异太大，说明旧提示词不完全适配新模型，需要调整提示词。

5.3 提示词适配调整

“大狗叫”和“死神遗镰”在相同提示词下效果不同是正常的。新模型可能对某些词更敏感，也可能对某些风格词反应弱。

调整建议：

• 保留正向提示词里的主体描述，比如场景、动作、光线。
• 如果效果偏暗，增加bright lighting, high contrast之类的正向词。
• 如果效果偏平板，可以增加detailed, intricate details。
• 如果风格不对，先删掉旧模型专用的风格词，再逐步加回测试。
• 负向提示词不要照搬旧模型，注意是否包含旧模型特有的负面 tag。

提示词调整是一个逐步逼近的过程。建议每次只改一个变量，记录下出图效果，几次之后就能找到当前模型相对稳定的提示词组合。

5.4 图生图与局部调整测试

如果工作流里有图生图或局部重绘节点，换模型后也要验证。

图生图测试步骤如下：

• 准备一张测试图片，放入 ComfyUI 的 input 目录。
• 在图生图节点中加载该图片。
• 切换 Checkpoint 为“大狗叫”。
• 设置合适的重绘幅度，比如 0.4 到 0.6。
• 生成并检查输出是否保留了原图结构。

局部重绘测试时，重点看蒙版区域的边缘过渡是否自然。换模型后，新模型对蒙版边缘的处理可能不同，如果重绘痕迹过重，需要调整蒙版羽化值或重绘幅度。

5.5 判断标准

功能测试完成的标准不是“图好看”，而是“流程稳定可重复”。

• 相同参数重复生成，不会出现任务中断。
• 模型切换后，出图风格符合预期基础方向。
• 提示词、种子、分辨率等参数都能正常工作。
• API 调用能拿到和 WebUI 一致的结果。

如果以上都满足，再进入批量任务阶段。

6. 接口 API 与批量任务

6.1 开启 API 服务

ComfyUI 启动后本身就带有 API 服务，不需要额外开启。默认情况下，http://127.0.0.1:8188就是 API 服务地址。

WebUI 里的任何一张工作流图，都可以通过页面上的 API 格式按钮导出为 JSON。这个 JSON 就是提交给 API 的请求体。

如果要把工作流导出为 API 格式，在 ComfyUI WebUI 界面中找到保存/加载工作流的按钮，选择导出为 API 格式，保存下来的 json 文件可以直接用于后续脚本调用。

6.2 提交生成任务

以下代码把 API 工作流 json 读入，替换 Checkpoint 名称，并提交生成任务。

import json import time import requests server = "http://127.0.0.1:8188" with open("workflow_api.json", encoding="utf-8") as f: workflow = json.load(f) # 替换模型名 for node_id, node in workflow.items(): if node["class_type"] == "CheckpointLoaderSimple": node["inputs"]["ckpt_name"] = "dagoujiao_v1.safetensors" # 提交任务 resp = requests.post( f"{server}/prompt", json={"prompt": workflow} ) resp.raise_for_status() prompt_id = resp.json()["prompt_id"] print("prompt_id:", prompt_id) # 轮询任务状态 for _ in range(120): history = requests.get(f"{server}/history/{prompt_id}").json() if prompt_id in history: outputs = history[prompt_id]["outputs"] print("outputs:", outputs) break time.sleep(2)

这里的workflow_api.json是导出的 API 格式工作流文件，节点 ID 和节点类型需要以实际工作流为准。如果提示词节点是CLIPTextEncode，可以在脚本里找到它再替换文本内容。

替换提示词的示例：

# 假设节点 ID 为 6 的是正向提示词节点 if "6" in workflow: workflow["6"]["inputs"]["text"] = "a cute puppy in a fantasy forest"

实际项目中，先打开导出的 json 文件，确认正向提示词节点的 ID，再写进脚本，避免改错节点。

6.3 批量提交任务

批量任务的核心思路是：循环修改工作流中的提示词、种子、模型参数，然后逐个提交到/prompt接口。ComfyUI 内部有任务队列，可以连续接收多个任务。

import json import time import requests server = "http://127.0.0.1:8188" with open("workflow_api.json", encoding="utf-8") as f: base_workflow = json.load(f) prompt_list = [ "a puppy playing on grass, photo style", "a puppy sleeping in a basket, soft light", "a puppy running in snow, dynamic pose", ] for idx, prompt_text in enumerate(prompt_list): workflow = json.loads(json.dumps(base_workflow)) # 替换正向提示词节点 for node in workflow.values(): if node["class_type"] == "CLIPTextEncode" and node["inputs"].get("text"): # 根据实际工作流决定正向和负向节点 node["inputs"]["text"] = prompt_text break resp = requests.post( f"{server}/prompt", json={"prompt": workflow} ) if resp.status_code != 200: print(f"task {idx} failed:", resp.text) else: print(f"task {idx} submitted:", resp.json()["prompt_id"])

批量任务要注意几个问题：

• 保存图片时，工作流里的 SaveImage 节点会自动写入 output 目录。
• 如果任务之间互相影响，建议每个任务用一个独立 client_id。
• 如果批量任务量很大，本地生成会依次排队，不要一次性提交上千个任务，先跑几十个验证稳定性。
• 任务失败时记录失败原因，不要静默跳过。

6.4 下载结果图

ComfyUI 历史接口返回的 outputs 中会包含图片文件名，通过/view接口可以下载。

for node_id, node_outputs in outputs.items(): if "images" in node_outputs: for image in node_outputs["images"]: filename = image["filename"] subfolder = image.get("subfolder", "") img_resp = requests.get( f"{server}/view", params={"filename": filename, "subfolder": subfolder, "type": "output"} ) with open(f"download_{filename}", "wb") as f: f.write(img_resp.content)

实际使用时，把download_{filename}改成有意义的命名规则，比如包含种子、提示词索引，方便批量整理。

7. 资源占用与性能观察

7.1 显存占用怎么看

模型加载到显卡后，显存占用会明显上升。最常用的观察命令是nvidia-smi。

在任务执行期间，开一个终端执行：

nvidia-smi -l 1

这样每秒刷新一次显存状态。重点看图中对应 Python 进程的显存占用数值。

如果任务执行完，显存没有立刻释放，通常是进程还没退出或缓存未清理。可以等几秒，或者重启 ComfyUI 进程。如果持续占用很高，检查是否有其他任务堆积在队列里。

7.2 哪些参数影响资源和速度

• 分辨率：分辨率越大，显存占用和耗时越高。建议先在模型对应的小分辨率下测试，再放大。
• 采样步数：步数越多，耗时越长。20 步和 30 步在视觉上不一定差很多，但耗时明显不同。
• 批量大小：一次生成多张图会大幅提高显存占用，容易爆显存。先用 batch_size 1 跑通。
• 放大模型：如果加载了额外的放大模型，显存和内存都会增加。
• 局部重绘区域：蒙版区域越大，计算量越大。

比较典型的降显存方法：

• 降低分辨率。
• 减少批量大小。
• 关掉不必要的预览或切换为低显存优化。
• 清理 ComfyUI 队列里积压的任务。
• 如果显存紧张，优先用轻量模型，而不是一味调低参数。

7.3 CPU 与 GPU 差异

如果机器没有可用的 GPU，ComfyUI 会退回到 CPU 推理，速度会慢很多。如果 GPU 可用但速度还是慢，检查 PyTorch 是否真的使用 CUDA。

在 Python 环境里确认：

import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else "CPU only")

如果返回 False，大概率是 PyTorch 版本与 CUDA 不匹配，需要重新安装对应版本的 PyTorch。

7.4 端口冲突与进程残留

ComfyUI 默认端口是 8188。如果启动时提示端口被占用，可以查看占用情况：

netstat -ano | findstr 8188

Windows 下找到对应 PID 后，可以结束进程，也可以直接换端口启动。更推荐换端口：

python main.py --port 8190

进程残留问题多见于强制关闭服务后，模型文件仍被占用。此时需要结束对应 Python 进程，或者等待系统释放文件后再删除模型。

8. 常见问题与排查方法

这里有一个常见误解：模型文件放到目录里不等于任务里自动生效。ComfyUI 工作流中，模型是通过节点加载的，不是自动全局替换。排查时按“文件目录检查 -> 节点参数检查 -> 输出结果检查”的顺序来，效率更高。

9. 最佳实践与使用建议

9.1 先小后大，先单后批

第一次切换模型，不要直接跑大规模批量任务。先单张测试，再 4 张对比，再小批量 10 到 20 张，确认稳定后再扩大。

批量任务建议加日志和失败重试机制。在脚本里记录每个任务的 prompt_id、提交时间、结果文件名、失败原因，这样后续排查和维护会轻松很多。

9.2 模型与素材分目录管理

建议按下面结构组织本地文件：

ComfyUI/ ├── models/ │ ├── checkpoints/ │ │ ├── dagoujiao_v1.safetensors │ │ └── sishenyilian_v1.safetensors ├── input/ │ └── comparison/ # 对比测试素材 ├── output/ │ ├── dagoujiao/ │ └── sishenyilian/ └── workflow_backup/ # 工作流 JSON 备份

工作流 JSON 是易丢失的部分。改完参数、确认稳定之后，第一时间导出并备份，避免后面改乱时无法回退。

9.3 保留最小可运行配置

当找到一个能稳定出图的参数组合后，单独保存一份最小工作流。这份工作流不包含多余的放大节点、ControlNet 节点，只保留模型加载、提示词、采样、保存图。之后需要排查问题时，先用最小工作流跑，能快速区分是模型问题、参数问题还是节点链路问题。

9.4 API 服务安全建议

如果启动了 API 服务用于批量任务，建议只在本地使用。不要让服务监听在公网地址上，否则任何能访问该端口的人都可以向你的显卡提交生成任务。更稳妥的方式是搭配反向代理和访问认证，或者只在需要时才临时打开服务。

9.5 合规与版权提示

• “大狗叫”“死神遗镰”作为示例模型名，实际使用前确认模型本身允许本地使用和再加工。
• 不要把模型用在冒名、诈骗、伪造内容等场景。
• 如果生成结果用于公开或商用，检查模型授权协议，必要时标注模型来源。
• 图片中如果涉及可识别人物，发布和商用前需要获得授权。

10. 总结与下一步

这次模型替换的核心思路，可以压缩成三个动作：放对文件、换对节点、跑通验证。

最先要验证的功能是 Checkpoint 切换后单张出图是否正常。最容易踩的坑是文件已经放进目录，但工作流节点仍然指向旧模型，导致生成结果没有变化。其次要留意的是提示词适配，直接照搬旧模型提示词很可能会出现风格偏移。

如果这篇文章里的流程你已经跑通，下一步可以从这几个方向继续扩展。一是把批量脚本改成带失败重试和定时任务的形式，提升出图效率。二是尝试在替换 Checkpoint 的同时配合 LoRA，让风格控制更精准。三是把 ComfyUI 的 API 接到自己的管理系统里，实现任务提交、结果回传、素材管理一体化。

模型替换看起来只是换一个文件名，但真正稳定落地，需要把环境、节点、提示词、批量任务和排查能力都准备好。把这套流程保存下来，以后再换其他模型，只需要替换对应文件和分析新模型的输出差异。