云端 GPU 上的 ComfyUI：设置、存储与成本指南

在云端运行 ComfyUI 很直接。真正需要下功夫的是让它可重复、私密且成本低廉。

一套实用的 ComfyUI 云端 GPU 配置会将四项关注点分开：可丢弃的计算资源、持久文件、私有访问和停止规则。将 GPU 实例视为可替换资源；将模型、工作流、输入和输出放在即使实例消失也能保留的存储中。这样，你就能重启配置，而无需重新下载整套工作流，也不用疑惑昨天生成的图像去了哪里。

本指南不针对任何特定供应商。它将说明如何为交互式工作设置 ComfyUI 云端 GPU、如何规划存储，以及如何计算成本，而不假装单一的 GPU 每小时费率就能说明全部情况。

简要说明

对于大多数独立开发者和小型 AI 团队，建议从以下部署模式开始：

1. 选择具备足够显存、能够运行一个真实工作流（而非理论基准测试）的交互式 GPU 虚拟机或 Pod。
2. 在下载模型或安装自定义节点之前，先挂载持久存储。
3. 默认将 ComfyUI Web 进程保持为私有；使用经过身份验证的桌面、隧道或供应商代理，而非开放的公共端口。
4. 将每个可用图、模型版本和输出保存到持久挂载中。
5. 测量一次有代表性的生成任务，并在工作会话结束后立即停止 GPU。

核心原则很简单：ComfyUI 云端 GPU 应当易于替换，而你的工作状态不应如此。

1. 在安装任何内容之前，选择合适的云端资源形态

对于实际操作的 ComfyUI 会话，选择能够提供浏览器、终端和持久挂载的 GPU 虚拟机、Pod 或远程桌面环境。这通常比仅处理请求的端点更容易调试，因为你可以在同一会话中检查日志、测试图、添加模型并反复迭代。

只有在工作流稳定，并且你已了解它将如何接收输入、返回输出、验证调用方身份以及从故障中恢复后，才使用面向请求的部署。当目标是开发工作流而不是完成的产品 API 时，交互式 ComfyUI 云端 GPU 服务 是正确的起点。

在部署前，请回答以下与供应商相关的问题：

不要仅根据型号名称选择用于 ComfyUI 的最佳云端 GPU。应从工作流的峰值内存需求开始评估：检查点、文本编码器、VAE、控制模型、LoRA、批量大小、分辨率以及任何视频或超分阶段都会争用显存。先运行一个有代表性的图并记录其峰值表现，再决定是否使用更大或运行时间更长的机器。

如需了解更广泛的平台权衡，请参阅 Flatkey 关于云端 GPU 租用平台、GPU 选择以及无服务器与专用 GPU 容量的指南。

2. 先挂载持久存储

最常见的云端错误，是将所有内容都下载到实例的临时文件系统中。当该机器被停止、重建或替换时，模型缓存、输出、工作流和本地更改可能都会随之消失。

在首次安装前创建并挂载持久卷。在该卷上，采用一个简单且常规的目录布局：

/workspace/comfy-data/
├── models/
│   ├── checkpoints/
│   ├── vae/
│   ├── loras/
│   ├── controlnet/
│   └── upscale_models/
├── input/
├── output/
├── workflows/
├── custom-node-notes/
└── run-notes/

第一天不需要创建每一个文件夹。重点是将可复用资产和最终成果放在持久挂载中，同时在更方便的情况下，将临时文件和可重建环境留在实例磁盘上。

ComfyUI 通过其启动标志提供了实用的目录控制功能。--base-directory 会更改模型、自定义节点、输入、输出、临时文件和用户数据的基础位置；--input-directory、--output-directory 和 --extra-model-paths-config 则允许你进行更具体的设置。在将路径写入模板之前，请查阅最新的 ComfyUI 启动标志参考资料。

作为一个具体的云存储示例，RunPod 说明其容器文件系统是临时的，而卷会在容器生命周期之外持续保留。其他供应商使用的术语不同，因此在依赖此机制之前，请在供应商自己的存储文档中核实确切的停止、重启和终止行为。RunPod 的持久化指南很好地解释了两者的区别。

3. 以可复现的基线安装 ComfyUI

请以项目上游为安装依据。ComfyUI 当前的手动安装指南涵盖受支持的平台、针对 GPU 的 PyTorch 选择、依赖项安装、模型目录以及 comfy-cli 选项。请先阅读官方 ComfyUI README，然后在你自己的说明中固定记录任何团队特定的补充内容。

对于 Linux 云端机器，高层级流程如下：

git clone https://github.com/Comfy-Org/ComfyUI.git
cd ComfyUI

python -m venv .venv
source .venv/bin/activate

# Install the PyTorch build that matches this GPU/driver environment.
# Follow the current upstream ComfyUI and PyTorch instructions rather than
# copying a CUDA wheel command from an old image.
pip install -r requirements.txt

python main.py \
  --base-directory /workspace/comfy-data \
  --input-directory /workspace/comfy-data/input \
  --output-directory /workspace/comfy-data/output \
  --disable-auto-launch

这有意作为基线，而不是通用的复制粘贴安装程序。云镜像在驱动程序、Python 版本、CUDA 兼容性、挂载点和权限方面各不相同。在运行中的机器上确认 python main.py --help，并在成功运行后将已验证可用的启动命令写入 run-notes/。

如果你与另一个 UI 共用模型库，或者将模型放在 ComfyUI 默认目录之外，请使用上游的 extra_model_paths.yaml 机制，而不要随意创建文件夹符号链接。这样可以明确这种关联，并使后续重建更少意外。

4. 使用 --listen 前设置安全的远程访问

默认情况下，ComfyUI 监听 127.0.0.1，并使用端口 8188。其启动选项还支持不同的绑定地址、端口、TLS 证书/密钥文件，以及可配置的 CORS 标头。有关确切行为，请参阅当前的 CLI 参数。

这种灵活性并不意味着你可以将未经身份验证的图像生成控制台暴露在公共互联网上。对于交互式工作，采用安全的 ComfyUI 云端 GPU 桌面模式通常更安全：

• 在经过身份验证的远程桌面会话中打开浏览器，让 ComfyUI 保持在回环地址上；或者
• 使用经过身份验证的 SSH 隧道或由提供商管理的代理；或者
• 在有意暴露的 ComfyUI 服务前部署具有身份控制和 TLS 的反向代理。

仅当网络路径明确受到防火墙、身份层以及适当情况下的 TLS 保护时，才绑定到 0.0.0.0。不要仅为了让浏览器连接成功而启用宽松的 CORS。如果自定义节点、扩展或代理改变了信任边界，请在 run-notes/ 中记录，并使用单独的账户或设备进行测试。

如果你上传私密参考图像、在节点中使用 API 密钥，或允许团队成员安装自定义节点，这一点尤为重要。应将自定义节点安装视为依赖项变更：审查其来源，记录版本，并在将其添加到共享生产卷之前先在可弃用环境中进行测试。

5. 让首次 ComfyUI 云端 GPU 生成具有可复现性

你的首次会话应验证部署模式，而不是追求完美图像。使用一个已知的小型工作流，并完成以下闭环：

1. 上传一张非敏感测试图像或一条测试提示词。
2. 从持久化模型目录加载一个模型。
3. 以目标分辨率和批量大小运行一次生成。
4. 将工作流 JSON 以描述性名称和日期保存到 workflows/。
5. 将最终图像和所有对比输出保存在 output/。
6. 在 run-notes/ 中记录模型修订版本、相关自定义节点、运行时间以及所有内存规避措施。

这会将一次性的 ComfyUI 云端 GPU 生成变成其他人可以重复的实验。它还能让你在下载多个大型模型，并发现工作流无法以预期设置运行之前，确认该机器的规格是否合适。

6. 采用以工作负载为先的 GPU 选择原则

适用于 ComfyUI 的最佳云端 GPU，是在你所需的分辨率、批量大小和延迟条件下，能够可靠运行实际图的最小可用选项。“最佳”会随图而变化。

不要将其他创作者的 VRAM 数字视为保证。他们的 checkpoint、量化方式、节点版本、分辨率和批量设置可能与你不同。一次 10 分钟的代表性测试比过度简化的硬件建议更有用。

7. 根据已完成的工作计算成本，而非 GPU 每小时价格

云 GPU 报价只是总成本的一部分。请针对每个工作流或项目使用此工作表：

Session cost
  = (GPU runtime × current provider compute rate)
  + retained storage for the billing period
  + applicable transfer, snapshot, or platform charges

Cost per accepted output
  = session cost / number of outputs you actually keep

第二个数字通常比每张生成图像的成本更有参考价值。如果你进行了 200 次快速测试却只保留五个输出，那么每个已接受输出的成本比名义上的每张图像成本更能说明该工作流的情况。

对于 ComfyUI 云 GPU，请采用以下实用控制措施：

• 养成关机习惯。确定由谁以及何时停止 GPU。不要仅仅因为浏览器标签页仍开着就让它持续运行。
• 区分持久数据和一次性数据。将模型、工作流、输入和输出保存在持久存储中；避免意外地为保留临时文件付费。
• 扩展前先进行小规模测试。在投入长时间图像或视频运行之前，先以适中的分辨率和批次大小验证图。
• 保留模型清单。记录已安装的内容及其原因。这可以防止重复下载，并使清理工作更安全。
• 查看停止状态下的账单。存储、快照、公共 IP 和数据传输规则因提供商而异；请在当前账单 UI 和文档中确认。
• 记录运行时数据。对于重复使用的工作流，记录运行时间、重试次数、已接受输出以及输入/输出大小。这能建立真实的预算基准。

如需更通用的决策框架，请阅读 GPU 租赁价格详解。其中介绍了有吸引力的每小时费率与已完成工作成本之间的差异。

8. 云 GPU 不适合作为抽象层的情况

当你需要节点级控制、本地模型文件、自定义处理、可视化迭代或特定图时，ComfyUI 很有价值。但它并不一定是交付 AI 功能最简单的方式。

如果产品需求是托管模型调用而非工作流级控制，请单独比较托管模型/API 方案。Flatkey 为模型和工具 API 调用提供统一接口；这可以减少集成和计费的碎片化，但当你的需求是具有自定义本地资产的持久节点图时，它不能替代 ComfyUI。在针对错误的技术栈进行优化之前，请明确这一边界。

飞行前检查清单

在启动 ComfyUI 云 GPU 会话之前，请确认以下所有事项：

• [ ] 持久存储已附加，并挂载在预期位置。
• [ ] 模型、工作流、输入和输出路径均指向该存储。
• [ ] 已使用一个真实图验证当前 GPU/PyTorch 组合。
• [ ] 远程访问已通过身份验证；未暴露未经身份验证的公共端口。
• [ ] 将记录工作流 JSON、模型版本和自定义节点更改。
• [ ] 你知道 GPU 停止后哪些资源仍会计费。
• [ ] 会话结束后将由指定负责人停止计算资源。

常见问题

如何在云 GPU 上运行 ComfyUI？

部署一台带有持久卷的交互式 GPU 机器，按照当前上游说明安装 ComfyUI，将 ComfyUI 的模型/输入/输出路径指向挂载存储，保持浏览器访问私密，并在扩展规模前测试一个具有代表性的工作流。

ComfyUI 应持久保存哪些内容？

保存可复用的模型、工作流、你需要再次使用的输入资产、最终输出、自定义节点说明和简短的运行日志。除非保留它们值得支付存储成本，否则应将临时缓存和可重建环境单独处理。

是否需要 ComfyUI 安全云 GPU 桌面？

当你希望使用交互式浏览器和终端，而无需将 ComfyUI 直接发布到互联网时，这是一个实用选择。使用经过身份验证的远程桌面、隧道或代理，并默认保持应用私密。

哪种云 GPU 最适合 ComfyUI？

请根据实际工作流的 VRAM 需求、目标运行时间以及存储/访问需求进行选择。先测试预期的图；适用于他人 checkpoint 和分辨率的 GPU，未必适合你的需求。

ComfyUI 云 GPU 服务应包含什么？

至少应包括：兼容的 GPU 环境、持久存储、受控的网络访问、查看日志的方法，以及运行中和已停止资源的清晰计费信息。

本指南使用的官方参考资料

• ComfyUI 手动安装和模型目录指南
• ComfyUI 启动标志
• ComfyUI CLI 参数定义
• RunPod 容器数据持久化指南 — 作为具体的存储示例使用，而非平台比较

可靠的设置并不复杂：让 GPU 可替换，让工作内容持久保存，让访问保持私密，并将停止计算纳入工作流程。