教程

报错截图往往只有最后一行。完整但经过脱敏的错误报告，应该让接手的人能识别实例、版本、节点、输入条件和第一处异常，而不是猜测你刚才安装了什么。

明确终端、解释器与当前目录，用本机实际路径执行检查，避免把安装命令输入 Python 提示符。

同一个模型名称可能对应整包 checkpoint、分体权重、量化版、文本编码器和 VAE。此文提供下载记录与核对步骤，避免文章只留一个搜索链接，后来无法确定实际使用哪个文件。

多个 ComfyUI 实例可以按支持的配置引用已有模型目录，但共享文件不代表共享了 Python 环境、节点安装和工作流版本。本页重点解决“模型明明在磁盘上，当前实例却找不到”。

这是一份从原生工作流加入单个 LoRA 的操作指南。先建立明确的底模兼容性和对照，再探索强度及组合，不以“下拉框能选”代替真正生效。

本页整理没有额外硬件时如何建立可比较的小任务基线。目标是找到某个具体环境的可运行范围，而不是从模型名字推测一个对所有人有效的最低显存数字。

收到 JSON、图片或视频示例时，先识别格式和出处，再核对节点、模型与环境。这份检查清单用于降低盲目安装成本，但静态读取并不能替代在目标环境执行。

本指南用于在更新前建立恢复条件。能够 git checkout 旧代码，不等于 Python 依赖、前端、节点和配置也恢复到了旧状态；真正可回退需要记录整个环境的关键组成。

当不知道哪一个扩展造成报错、白屏或更新故障时，用可复核的分组对照替代随机卸载。目标是定位最小触发集合，而不是把所有第三方节点都判定有问题。

从工作流里发现一个缺失节点后，需要确定它来自哪个项目、安装代码和依赖，并检查服务端注册。下载仓库成功只是其中一步，不应直接当成节点已经可用。

Portable 包含自己的 Python 与 ComfyUI 目录。最容易出错的操作，是把依赖安装到系统 Python，却期待嵌入式 Python 可以自动使用。此文按进程和路径解释如何避免两套环境混用。

这份指南用于规划一个可识别、可回退的手动安装环境。重点不是给所有机器同一条 pip 命令，而是先确定设备后端、受支持 Python 与独立工作目录。Desktop 和 Portable 用户不应直接照搬手动环境命令。

先认识 ComfyUI 的节点画布、工作流图、模型与节点面板、执行队列和输出。不同版本的标签与布局可能变化；本指南依据当前官方界面文档，不代表本站实机测试。

先区分官方 Comfy Cloud、自管远程 GPU 或 Docker，以及受托管的 Colab 笔记本，再决定模型存储、端口访问和持久化方式。

在 Apple 芯片 Mac 上选择官方 Desktop 或独立的手动 Python 环境；先确认设备后端，不要照搬 CUDA 修复命令。

选择 Windows、Apple 芯片 macOS 或 Linux 的官方桌面安装包，创建 ComfyUI 实例，并区分启动器与模型、输出文件所在目录。

分别保存旧新环境的组件、节点、LoRA 与许可，避免把其他运行框架的命令当 ComfyUI 安装步骤。

已经有训练实现，不代表目录已经收集到可用 LoRA；记录具体底模、文件和加载验证。

按失败阶段整理下载记录，保留具体文件身份和原始发布入口，不默认更换不明镜像或关闭证书校验。

分别选择生成模型、文本编码器和 VAE；提示增强器属于可选项。记录真实来源，不把仓库总大小当最低显存。

结合退出状态、节点注册和当前工作流判断影响，不按日志颜色决定是否升级整个环境。

用环境信息、单次变更和相同输入记录排查过程，区分安装记录、依赖检查和真实运行。

从透明生成指令到原始 PNG 的 alpha 检查，区分白底、棋盘格像素和真实透明。

将轮廓、姿态或深度信息加入生成流程时，首先应确认控制图是什么、ControlNet 需要什么，以及控制条件是否进入实际采样链路。此文不把所有控制模型归成一个万能节点。