ComfyUI依赖安装指南-程序员充电站

ComfyUI依赖安装指南

在尝试搭建一个可视化AI生成环境时，很多人会发现：工具本身功能强大，但第一步——“如何让它跑起来”——却成了最大障碍。ComfyUI 作为当前最受欢迎的节点式 Stable Diffusion 工作流引擎，以其极高的灵活性和可复现性赢得了开发者与创作者的青睐。它把图像生成的每一步都拆解成独立模块，让你像搭积木一样构建复杂的生成逻辑。

但问题也随之而来：当你兴致勃勃地克隆完代码、双击运行脚本，终端却抛出一连串红色错误——ModuleNotFoundError、No module named 'torch'……这些报错背后，其实指向同一个根源：Python 依赖没有正确安装。

这并不是你的错。ComfyUI 集成了大量深度学习生态中的关键库（PyTorch、diffusers、xformers、onnxruntime 等），而这些库对 Python 版本、CUDA 支持、操作系统平台都有严格要求。稍有不慎，就会陷入“明明显示安装成功，启动就崩溃”的怪圈。

别担心，这篇文章不讲空话，只聚焦一件事：手把手带你走过从零到启动 ComfyUI 的全过程，并帮你避开那些常见的“坑”。

我们先来看一个典型场景：你刚下载了一个第三方打包版 ComfyUI（比如_windows文件夹结构），双击run.bat却提示缺少 pip 或无法导入 torch。这时候你意识到，必须手动干预依赖安装过程。那么，到底该怎么做？

首先得明白一点：使用哪个 Python 解释器，决定了依赖装去哪。如果你用的是系统全局 Python，那包会被安装到系统的 site-packages；但大多数一键包自带了嵌入式 Python（portable Python），所有依赖必须通过这个“内置解释器”来安装，否则即使你用pip install torch装好了，启动时依然找不到。

所以第一步，不是急着敲命令，而是确认你要用的 Python 在哪里。

源码获取与目录结构解析

无论你是从官方仓库克隆，还是用了某个整合包，核心起点都是 comfyanonymous/ComfyUI 这个项目。执行以下命令即可获取源码：

git clone https://github.com/comfyanonymous/ComfyUI.git

main.py：程序入口，运行它就能启动服务。
requirements.txt：最重要的文件之一，列出了所有必需的 Python 包及其版本约束。
nodes/：存放自定义节点插件的地方。
models/：你需要在这里放置模型文件（如 SDXL、LoRA、ControlNet 模型等）。
web/：前端界面资源，包括 HTML 和 JavaScript。

其中requirements.txt是整个依赖管理的核心。打开它你会发现类似这样的内容：

torch==2.0.1+cu118 torchvision==0.15.2+cu118 diffusers transformers ftfy safetensors xformers ...

这些就是 ComfyUI 正常运行所依赖的第三方库。有些带+cu118后缀的，说明它们是针对 CUDA 11.8 编译的 GPU 加速版本，不能随便替换。

接下来的问题是：怎么安装这些依赖？

最常见的情况有两种：一种是你自己安装了 Python 并准备从头配置；另一种是使用别人打包好的版本，自带便携式 Python。两者的操作略有不同。

使用系统 Python（适合初学者）

假设你已经安装了Python 3.10 或 3.11（强烈建议不要用 3.12+，目前很多 AI 库尚未完全兼容），并且已加入系统 PATH。

打开终端（CMD / PowerShell / Terminal），进入 ComfyUI 根目录：

cd D:\ComfyUI python -m pip install -r requirements.txt

这条命令会让 pip 自动读取requirements.txt中的所有包，并依次下载安装。

如果你在国内，推荐加上国内镜像源加速下载：

python -m pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

清华源、阿里云、豆瓣源都可以，选择速度最快的即可。

使用嵌入式 Python（适用于一键包用户）

更常见的情形是，你下载的是像ComfyUI_windows_portable这类整合包。这类包通常包含两个主要目录：

ComfyUI\_windows\ ├── python\_embeded\ ← 内置 Python ├── ComfyUI\ ← 主代码 └── run.bat

此时你必须使用_embeded目录下的 Python 来执行安装，否则依赖会装错地方。

具体步骤如下：

打开命令行，先进入python\_embeded目录；
然后调用该目录下的python.exe，并指定requirements.txt的完整路径。

例如：

D:\ComfyUI\_windows\python\_embeded> python -m pip install -r D:\ComfyUI\_windows\ComfyUI\requirements.txt

注意这里的关键点：
-python指的是当前目录下的解释器；
--m pip是以模块方式运行 pip，避免路径冲突；
--r后面跟的是主项目的requirements.txt，路径一定要写全。

这个过程可能持续 5 到 15 分钟，尤其是首次安装 PyTorch 时，因为它体积巨大（超过 2GB）。你会看到类似输出：

Downloading torch-2.0.1+cu118-cp310-cp310-win_amd64.whl (2.0 MB) ... Successfully installed torch-2.0.1+cu118 ...

一旦完成，就意味着基础依赖已经到位。

当然，现实往往不会这么顺利。下面是一些高频出现的问题及应对策略。

常见问题与实战解决方案

❌`No module named 'pip'`

这是嵌入式 Python 最常见的问题之一——某些精简版 Python 发行包默认不带 pip。

解决方法很简单：

python -m ensurepip --upgrade

这条命令会自动为你安装或升级 pip。之后再执行正常的依赖安装流程即可。

❌`Could not find a version that satisfies the requirement`

通常是网络问题导致无法连接 PyPI 官方源。特别是在安装torch或xformers时容易失败。

有两个解决思路：

一是换国内镜像源：

python -m pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/

二是分步安装，优先手动处理最难搞的包：

# 先单独安装 PyTorch + CUDA 支持 python -m pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 --extra-index-url https://download.pytorch.org/whl/cu118 # 再安装其余依赖（跳过已存在的依赖） python -m pip install -r requirements.txt --no-deps

这里的--no-deps表示“不安装依赖项”，适合你在已经装好核心框架的情况下，快速补全其他辅助库。

❌ 安装过程中报`MemoryError`或中断

尤其是在低内存设备上（如只有 8GB RAM），安装大型 wheel 包时很容易因内存不足导致解压失败。

建议采取以下措施：

关闭不必要的后台程序；
添加--no-cache-dir参数减少临时文件占用：

python -m pip install -r requirements.txt --no-cache-dir

或者干脆分批安装：

# 先装基础库 python -m pip install numpy pillow matplotlib ftfy # 再装深度学习三件套 python -m pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118 # 最后装生态库 python -m pip install diffusers transformers accelerate safetensors xformers

这样能有效降低单次内存压力。

❌ 安装成功但启动时报`ModuleNotFoundError`

这种情况最让人抓狂：明明说“Successfully installed”，一运行却提示找不到模块。

根本原因往往是：你用了 A 的 Python 安装，却用 B 的 Python 启动。

举个例子：
- 你在系统终端里用全局 Python 装了依赖；
- 但一键包里的run.bat调用的是_embeded\python.exe，它根本不知道你之前装了啥。

验证方法很简单：在同一环境下运行 Python 并尝试导入关键模块：

python >>> import torch >>> print(torch.__version__) >>> import comfy.utils

如果报错，说明当前解释器找不到这些包。

修复方案也很直接：
- 统一使用同一个 Python 环境；
- 如果是一键包，请确保所有操作都在其内置 Python 下完成；
- 可检查sys.path输出，确认包是否真的被加载：

import sys print(sys.path)

确保输出中包含了正确的site-packages路径。

对于进阶用户，还有一个更优雅的选择：使用虚拟环境（venv）隔离依赖。

这不仅能避免污染系统 Python，还能让你为不同项目维护独立的依赖版本。

操作流程如下：

# 进入 ComfyUI 根目录 cd D:\ComfyUI # 创建名为 venv 的虚拟环境 python -m venv venv # 激活虚拟环境（Windows） venv\Scripts\activate

激活后命令行前会出现(venv)提示符，表示你现在处于隔离环境中。

然后正常安装依赖：

(venv) D:\ComfyUI> pip install -r requirements.txt

所有包都会被安装到venv\Lib\site-packages下，完全不影响系统或其他项目。

启动服务也只需在激活状态下运行：

(venv) D:\ComfyUI> python main.py --listen 0.0.0.0 --port 8188

浏览器访问 http://localhost:8188 即可进入 UI 界面。

完成后输入deactivate即可退出虚拟环境。

最后，别忘了性能优化的关键一步：启用 GPU 加速。

ComfyUI 默认会尝试使用 CUDA 加速推理，前提是你的 PyTorch 版本支持且显卡驱动正常。

启动后查看日志是否有类似信息：

[INFO] Using device: cuda [INFO] Total VRAM: 12288 MB

也可以在 Python 中验证：

import torch print(torch.cuda.is_available()) # 应返回 True print(torch.version.cuda) # 显示 CUDA 版本，如 11.8

若返回 False，请检查：
- 是否安装了带+cuXXX后缀的 PyTorch；
- NVIDIA 驱动是否更新；
- 是否启用了独立显卡（笔记本用户尤其注意）。

此外，强烈建议安装xformers：

pip install xformers --index-url https://download.pytorch.org/whl/cu118

它可以显著降低注意力机制的显存消耗，提升生成速度，尤其在处理高分辨率图像或多 ControlNet 场景下效果明显。

但要注意版本匹配问题：
- xformers 对 PyTorch 和 CUDA 版本非常敏感；
- 不要盲目追求最新 nightly 构建；
- 推荐使用与 PyTorch 版本对应的稳定 release。

回顾整个流程，我们可以总结出一条清晰的行动路线：

步骤	操作要点
1	获取源码：`git clone https://github.com/comfyanonymous/ComfyUI.git`
2	确定 Python 环境：使用系统 Python 或嵌入式 Python，保持一致
3	安装依赖：`pip install -r requirements.txt`，必要时加镜像源
4	处理异常：分步安装、更换源、清理缓存
5	验证环境：导入 torch、comfy.utils 测试可用性
6	启动服务：`python main.py`，观察日志输出

当你看到浏览器中那个熟悉的节点编辑界面缓缓加载出来时，你就已经迈过了最关键的门槛。

ComfyUI 的真正魅力，不在安装过程，而在于它赋予你的控制力。你可以精确调度每一个生成环节，实现批量渲染、条件分支、动态参数切换……这些高级玩法的前提，就是一个干净、稳定、可控的运行环境。

定期关注 ComfyUI 官方仓库的更新，适时同步requirements.txt和核心库版本，才能让工作流始终保持最佳状态。

现在，去构建属于你的 AI 工作流吧。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

ComfyUI依赖安装指南