本文将带你从零开始在 macOS 上部署 ComfyUI，涵盖 Intel 和 Apple Silicon 两种芯片的配置方案，并详解从安装到第一个工作流的完整过程。

---

写在前面：为什么要在 Mac 上折腾 ComfyUI？

在 AI 绘画的世界里，NVIDIA 显卡（CUDA）一直是“一等公民”。然而，作为 Mac 用户，我们常常面临一个尴尬的局面：拥有一台设计精美、屏幕顶级的设备，却似乎被 AI 生态拒之门外。

但其实，ComfyUI 在 macOS 上的支持远比想象中要好。

ComfyUI 是一个基于节点的 Stable Diffusion 界面。不同于 WebUI 那种“一键生成”的黑盒模式，ComfyUI 通过节点连接的方式，让你像搭积木一样构建图片生成的流水线。虽然在 Mac 上我们无法享受 CUDA 带来的极致速度，但借助 MPS（Metal Performance Shaders） 的统一内存架构，Apple Silicon 芯片（M1/M2/M3）甚至能在运行大模型时展现出比同级别 N 卡更从容的内存优势。

本文将带你绕过那些“天坑”，无论是 Intel 老将还是 Apple Silicon 新兵，都能跑出第一张图。

🍎 环境准备与硬件须知

在开始敲命令之前，先认清你的 Mac 类型，这决定了你的启动姿势：

• Apple Silicon （M1/M2/M3/M4）

  ：首选。利用统一内存，显存和内存是共享的。这意味着如果你有 32GB 内存，就相当于有 32GB“显存”，这对运行 SDXL 或 Flux 模型非常有利。

• Intel Mac （AMD Radeon）

  ：可行，但折腾一些。AMD 显卡在 macOS 下的驱动支持虽然不如 CUDA，但通过特定优化（如使用 Intel 专用整合包）依然可以流畅运行。

• Intel Mac （仅集成显卡）

  ：体验有限。勉强能跑，但生成大图极易报错（OOM），建议使用 CPU 模式或放弃治疗。

• 

📥 第一步：安装 ComfyUI

为了方便管理和更新，强烈不建议手动克隆 GitHub 仓库去解决依赖冲突。对于 Mac 用户，有以下几种选择：

方案 A：使用官方安装包（适合 Apple Silicon / 进阶用户）

1. 访问 ComfyUI 的 GitHub  Releases 页面，下载 mac 版本的压缩包（通常是 ComfyUI_macos_arm64.dmg 或类似名称）。

2. 解压到“应用程序”或任意文件夹。

3. 这其实就是“绿色版”，核心文件都在 ComfyUI 文件夹内。

方案 B：使用社区整合包（适合 Intel Mac / 小白尝鲜）

如果你不想折腾依赖和环境变量，可以找一些社区打包好的“一键包”。

例如，针对 Intel Mac 的 Krita + ComfyUI 整合包，这种包通常预置了所有依赖和常用插件，解压即用。这种方式不仅省事，还能完美解决 AMD 显卡的识别问题。

⚙️ 第二步：核心配置与启动

1. 放置模型

打开 ComfyUI 文件夹，找到 models 目录，你会看到熟悉的子文件夹：

• checkpoints

  ：存放主模型（如 sd_xl_base_1.0.safetensors, flux1-dev.safetensors）。

• loras

  ：存放 LoRA 模型。

• vae

  ：存放 VAE 模型（用于改善图片色彩和细节）。

• controlnet

  ：存放 ControlNet 模型。

2. 启动指令

打开 终端 （Terminal），cd 到 ComfyUI 目录，运行：

# 对于大多数情况，直接运行 main.py python main.py

针对 Mac 的特殊参数优化：

为了在 Mac 上获得最佳性能且不爆内存，建议在启动时加上参数：

# 针对 Apple Silicon（M系列芯片） python main.py --force-fp16  # 针对 Intel Mac 或显存紧张的情况 python main.py --lowvram --force-fp16

• --force-fp16

  ：强制半精度计算，极大降低内存占用，画质损失极小，Mac 用户必加。

• --lowvram

  ：在模型不用时将其从内存中卸载，适合 8GB 内存的用户。

启动成功后，终端会显示 http://127.0.0.1:8188，浏览器打开它，你就看到了 ComfyUI 的工作界面。

🧩 第三步：安装 Manager （插件管理器）

ComfyUI 如果没有插件管理器，体验会大打折扣。

1. 在终端中 cd 到 ComfyUI/custom_nodes/ 目录。

2. 运行以下命令：bash     git clone https://github.com/ltdrdata/ComfyUI-Manager.git

3. 重启 ComfyUI。界面右侧会出现一个“Manager”按钮。

通过 Manager，你可以直接在网页里搜索、安装缺失的节点，甚至批量下载模型。

🖼️ 第四步：搭建你的第一个工作流

新手常常被 ComfyUI 的“蜘蛛网”吓到。没关系，我们先按部就班地拖拽一个最基础的文生图流程。

第一步：加载模型 - 在空白处双击，搜索 Checkpoint Loader。 - 选择你刚刚放进来的大模型。

第二步：添加提示词 - 双击添加 CLIP Text Encode（正面提示词）。 - 再添加一个 CLIP Text Encode（负面提示词）。 - 将 Checkpoint Loader 的 CLIP 输出口连接到这两个节点的 CLIP 输入口。

第三步：设置画布 - 双击添加 Empty Latent Image。 - 设置宽高（例如 512x512，或 SDXL 的 1024x1024）。

第四步：采样与解码 - 双击添加 KSampler。连接模型、正面、负面和 Latent。 - 双击添加 VAE Decode。连接 KSampler 的 Latent 和 Checkpoint 的 VAE。 - 双击添加 Save Image。连接 VAE Decode 的 IMAGE 输出。

第五步：点击 “Queue Prompt” - 如果一切顺利，几秒或几分钟后，你的第一张 AI 图片就诞生了！

![最简单的ComfyUI工作流示意图：模型加载器 -> 文本编码 -> 采样器 -> VAE解码 -> 保存图像]

关键节点参数解析（Mac 特供版）

在 KSampler 中，参数的设置决定了出图效果和速度：

|
参数
|
推荐值 （Mac）
|
备注
|
| — | — | — |
| Steps |
20-30
|
Mac 速度较慢，20步通常够用，追求极致质量可开30+。
|
| CFG |
7.0
|
提示词相关性，7是比较平衡的值。Flux 模型通常设为 1.0。
|
| Sampler | dpmpp_2m |
质量和速度的平衡点。euler 更快但细节少一点。
|
| Scheduler | karras |
配合 DPM++ 系列采样器效果很好。
|
| 种子（Seed） |
随意
|
固定种子可复现图片，改变种子随机生成。
|

💡 Mac 用户进阶优化与避坑指南

1. 内存不足 （OOM） 怎么办？

这是 Mac 用户最常见的报错。解决方法优先级如下：

1. 降低分辨率

   ：跑 1024x1024 爆了？试试 832x1216 或 896x1152，保持像素总数相近即可。

2. 开启 --lowvram 模式

   ：这会牺牲一点点速度，换取运行稳定性。

3. 使用 Tiled VAE

   ：安装 ComfyUI-Tiled-VAE 节点。解码超大图时，它会分块处理，显存占用瞬间降低 90%。这对于 Mac 跑高清修复简直是神器！

2. 速度太慢怎么办？

• Apple Silicon

  ：务必加上 --force-fp16。使用 --use-split-cross-attention（或 --use-sage-attention 如果你装了相关包）也能提速。

• Intel Mac

  ：可以考虑使用 Intel oneAPI 加速，或者直接使用上文提到的 Krita + ComfyUI X86 整合包，作者优化了 AMD 显卡的指令集，实测速度有明显提升。

3. 为什么生成的图是黑的？

通常是因为 VAE 没加载对。很多大模型不自带 VAE，或者自带的 VAE 与 Mac MPS 后端兼容性不好。

解决方案： 单独下载一个 VAE 文件（如 vae-ft-mse-840000-ema-pruned.safetensors），在节点中单独加一个 VAE Loader，把它接到 VAE Decode 上，而不使用 Checkpoint 自带的 VAE。

🚀 写在最后

ComfyUI 在 macOS 上虽然做不到 Windows + NVIDIA 那种“极速狂飙”，但它足够稳定、强大，并且能充分利用 Mac 的大内存优势来跑 Flux 这类超大模型。

当你习惯了 ComfyUI 的逻辑严谨性和工作流复现性后，可能就再也回不去 WebUI 了。希望这篇教程能帮助你在舒适的 macOS 生态中，迈出 AI 绘画的第一步。

---