本地 AI 出图为什么要用桌面工具，而不是网页服务
摘要
云端出图按张计费、排队、还有隐私顾虑。这篇讲清楚本地跑 ComfyUI 工作流的真实收益和代价，以及我为什么花时间做了一个桌面工作台。
先说结论
如果你每月出图超过 300 张，本地跑比云端便宜得多，而且快得多。
代价是初始配置麻烦、要一块像样的显卡、模型管理要自己操心。
这张表是半年实际使用的数据：
| 维度 | 云端服务 | 本地桌面 |
|---|---|---|
| 单张成本 | 0.05–0.3 元 | 约 0.002 元（电费） |
| 首次出图延迟 | 2–8 秒（含排队） | 3–15 秒（首次加载模型） |
| 后续出图 | 2–8 秒 | 1–3 秒 |
| 隐私 | 图片上传到第三方 | 完全本地 |
| 硬件要求 | 无 | 8GB+ 显存 |
| 分辨率上限 | 服务商限制 | 仅受显存限制 |
为什么网页服务慢
网页服务的时间分成三段：
- 上传提示词 — 几十毫秒，忽略不计
- 排队等 GPU — 免费额度下可能 30 秒以上
- 推理 + 下载 — 取决于分辨率和步数
第 2 段是弹性的，第 3 段还要加上下载 5MB 图片的时间。本地跑的时候，第 2、3 段基本消失。
本地跑的真实门槛
别被「本地部署」这四个字骗了，实际要处理这些东西：
模型管理
ComfyUI 的模型散在多个目录：checkpoints/、loras/、vae/、controlnet/、upscale_models/。下载错版本、放错目录、文件名带空格导致加载失败，是新手最常踩的三个坑。
工作流配置
ComfyUI 的节点图对新手不友好。一个基础的 txt2img 工作流就有十几个节点，采样器、调度器、CFG、步数这些参数互相影响。
显存边界
不同显卡能跑什么分辨率是硬约束。比如 22GB 显存（2080 Ti）能跑 1024×1024 的 SDXL，但跑 2048×2048 就会 OOM。这个边界只能靠试。
我做的工作台解决什么
我做了个桌面工作台，核心就三件事：
- 模型自动扫描与校验 — 启动时扫盘建索引，和 ComfyUI 的候选列表比对，缺什么直接告诉你要下哪个
- 工作流参数化 — 把节点图封装成表单，只暴露真正需要调的 6–8 个参数
- 零依赖服务端 — 用 Python 标准库实现，不需要装 FastAPI/Flask，避免网络慢的时候装不上
这不是通用启动器。通用的启动器（比如各种 ComfyUI 一键包）解决的是「能跑起来」，我解决的是「跑得顺手」。
什么时候不该用本地
- 每月出图少于 100 张
- 显卡显存低于 8GB
- 只是偶尔试试，不想折腾
这几种情况用网页服务更划算。
FAQ
- 本地出图会不会被上传？
- 不会。模型在本地，推理在本地，图片不出你的机器。唯一的网络请求是启动时检查更新（可以在设置里关掉）。
- 笔记本能跑吗？
- 能，但要看显存。RTX 4060 Laptop（8GB）能跑 SD 1.5 和 SDXL 的低分辨率。想跑 1024×1024 以上的需要 12GB+。
- 本地跑比云端画质差吗？
- 不会。同一个模型、同一组参数，本地和云端输出完全一致。差别只在采样精度上——本地可以用更高的步数，不受服务商限制。