[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$f2hcgvtr5bbv9c":3},{"code":4,"message":5,"data":6,"timestamp":32},10000,"success",{"full_name":7,"position":8,"description":9,"language":10,"stars":11,"forks":12,"stars_gained":13,"age_days":14,"hn_threads":15,"one_liner":16,"summary_md":17,"topic":18,"github_topics":21,"license":28,"homepage":29,"updated_at":30,"history":31},"Comfy-Org\u002FComfyUI",3,"The most powerful and modular diffusion model GUI, api and backend with a graph\u002Fnodes interface. The fastest local inference engine in the world.","Python",142581,16811,4531,1376,[],"以节点图的方式在本地跑开源扩散模型，图片、视频、音频全流程可控。","## 解决什么问题\n\n本地跑开源扩散模型，现状通常两极：要么是只能填提示词、调几个滑块的出图界面，要么是自己写推理脚本维护。多模型串联（底模 + LoRA + 控制图 + 放大 + VAE）既难搭也难复用。ComfyUI 把整条推理管线拆成节点和连线，存下来的工作流 JSON 就是可复现的产物。\n\n## 有什么不同\n\n常见的对比对象是 Automatic1111 这类 WebUI 和直接写 diffusers 脚本：前者把管线藏在固定设置后面，后者全靠自己写。ComfyUI 走的是暴露管线、让社区补节点的路线，新模型和新技术往往先有 ComfyUI 节点。真正拉开差距的有两点：一是执行效率，README 声称借助异步权重流式加载，4GB 显存 + 8GB 内存就能较快跑起大型开源模型，且只重算改动过的子图；二是覆盖面，图片、视频、音频、3D、文本模型在同一运行时里，还能通过付费 partner nodes 接闭源模型，一个工作流可以混合本地与云端步骤。\n\n## 适合谁\n\n需要可重复、可细调管线的视觉生产团队：图像\u002F视频工作室、测试 LoRA 效果的训练者、要通过本地 API 和 App Mode 把生成接进产品的工程师。只想输入提示词就出图的初学者会觉得节点图劝退，Desktop 应用或更简单的客户端更合适。硬件不在支持列表里的用户应先确认平台兼容性。\n\n## 上手成本\n\n需要 Python、PyTorch 和显卡驱动；官方支持 NVIDIA、AMD、Intel、Apple Silicon 与 Ascend，覆盖 Windows、Linux、macOS。Desktop 应用主要面向 Windows 与 macOS，Linux 用户走手动安装。许可证是 GPL-3.0，内部使用没问题，若嵌入对外分发产品则需要法务评估。模型跟得极快意味着版本迭代频繁，README 自己也提示非稳定 tag 的提交可能破坏自定义节点，生产环境应锁定 stable tag，并审查第三方自定义节点——它们以完整进程权限运行。\n\n## 点评\n\nComfyUI 不是蹭热度起量的新项目：仓库创建于 2023 年 1 月，在跟踪周内仍新增约 4,500 star、位列周榜第 11。项目年龄与持续增长并存，说明它已经是本地扩散模型管线的默认选择，而非一时风潮。它的价值是真实的，但定位是平台而不是应用：要投入学习图模型，还要维护版本锁定。你的问题是多模型、可复现的生成管线，那值得上手；只想要一键出图的玩具，则不必。",{"slug":19,"name":20},"media","多媒体与设计",[22,23,24,25,26,27],"ai","comfy","comfyui","python","pytorch","stable-diffusion","GPL-3.0","https:\u002F\u002Fwww.comfy.org\u002F","2026-10-24T16:06:14Z",[],1792868489]