安装

你这个问题问得非常专业 👍——如果你已经在认真考虑依赖管理，那确实说明你不是只想“跑起来”，而是想把环境结构做干净、可控、可复现。

结论先说：
是的，用 uv 会比传统 pip + venv 更好。
尤其是在你这种 Windows + GPU + 需要长期维护模型环境的场景下。

下面我给你一个完整、工程级别的 uv 安装方案，而不是简单替换几条命令。

---

一、为什么用 uv 更好？

uv（Astral 出品）本质是一个高性能的 Python 包管理器 + 虚拟环境工具，优势在于：

• 🚀 速度远快于 pip
• 🔒 更可靠的依赖解析
• 📦 更好的 lock 管理
• 🧼 虚拟环境结构更干净
• 🧠 不污染全局 Python

在 AI 项目（尤其是 PyTorch + CUDA 这种复杂依赖）里，环境污染是灾难。
uv 可以显著降低这种风险。

---

二、使用 uv 安装 ComfyUI（Windows 原生方案）

Step 1：安装 uv

在 PowerShell 里执行：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

然后确认：

uv --version

---

Step 2：克隆 ComfyUI

git clone https://github.com/comfyanonymous/ComfyUI.git C:\ComfyUI
cd C:\ComfyUI

---

Step 3：用 uv 创建虚拟环境

推荐方式（指定 Python 3.10）

uv venv --python 3.10

这会在当前目录创建：

.venv/

然后激活：

.venv\Scripts\activate

---

Step 4：使用 uv 安装依赖（替代 pip）

uv pip install -r requirements.txt

⚠️ 这里 uv 会调用它自己的 resolver，比 pip 更稳定。

---

三、关于 PyTorch + CUDA（重点）

ComfyUI 本质是依赖 PyTorch 的。

通常你需要：

uv pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

⚠️ 这里的 cu121 要根据你的 CUDA 版本决定。

检查方式：

nvidia-smi

如果是 RTX 40 系列，一般推荐 CUDA 12.x。

---

四、启动 ComfyUI

有两种方式：

方式一（推荐）

直接用 uv 运行：

uv run python main.py

方式二

激活环境后：

python main.py

浏览器打开：

http://127.0.0.1:8188

---

五、如果你想做“工程级”管理（进阶）

你可以进一步改成：

uv init
uv add -r requirements.txt
uv lock

这样会生成：

uv.lock
pyproject.toml

以后环境是完全可复现的。

这对于长期维护 Stable Diffusion 节点非常重要。

---

六、推荐的最佳实践结构

我个人建议你这样组织：

C:\AI\
   ├── ComfyUI\
   │     ├── .venv\
   │     ├── models\
   │     └── custom_nodes\
   └── other_sd_project\

每个项目独立 venv。

不要共享 Python。

不要全局 pip install。

---

七、什么时候不需要 uv？

如果：

• 你只是临时跑一跑
• 用官方 portable 版本
• 不打算长期维护

那 uv 不是必须。

但如果你：

• 想深度调优
• 会装大量 custom nodes
• 可能换 torch 版本
• 可能升级 CUDA

那 uv 会极大提升稳定性。

---

八、额外建议（非常关键）

1. 永远不要用系统 Python
2. 不要用 Anaconda（AI 环境冲突率高）
3. 关闭 Windows Defender 对模型目录的实时扫描（会严重影响速度）
4. GPU 驱动要用 Studio Driver

---

如果你愿意，我可以帮你做一个：

• RTX 4080 / CUDA 12.x 最优 torch 组合建议
• ComfyUI 性能优化参数
• VRAM 省显存启动方案

你是想走“稳定生产环境”，还是“实验性环境”？
我可以给你两个完全不同的配置策略。

很好，这个报错信息其实非常清晰，我们逐层拆解。

---

一句话结论

你现在安装的是：

CPU 版本的 PyTorch

而不是 CUDA 版本。

所以 ComfyUI 在初始化 GPU 时直接炸掉：

AssertionError: Torch not compiled with CUDA enabled

---

证据在哪里？

关键日志：

Found comfy_kitchen backend cuda:
{'available': False,
 'disabled': True,
 'unavailable_reason': 'CUDA not available on this system'}

以及：

Torch not compiled with CUDA enabled

这不是驱动问题。

这不是 CUDA 13.1 问题。

这 100% 是：

你当前 venv 里装的是 CPU torch

---

为什么会发生？

因为你之前执行了：

uv pip install -r requirements.txt

而 requirements.txt 里通常只写：

torch

默认行为是：

pip 安装 CPU 版 torch

除非你明确指定 CUDA index-url。

---

正确修复步骤（非常重要）

在 ComfyUI 目录：

1️⃣ 激活你的虚拟环境

.venv\Scripts\activate

2️⃣ 彻底卸载当前 torch

uv pip uninstall torch torchvision torchaudio -y

确保完全移除。

---

3️⃣ 安装 CUDA 12.1 版本（推荐）

uv pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

⚠️ 必须指定 index-url。

---

4️⃣ 验证

python -c "import torch; print(torch.cuda.is_available()); print(torch.version.cuda)"

你应该看到：

True
12.1

---

然后再运行

uv run python main.py

---

为什么不是 CUDA 13.1？

因为：

• 驱动支持 CUDA 13.1
• PyTorch 目前稳定构建是 cu121
• 驱动向下兼容

完全没问题。

---

再解释一下日志里的 triton

Found comfy_kitchen backend triton:
ImportError: No module named 'triton'

这个不是致命问题。

• Triton 是优化后端
• 可选
• 不影响 GPU 是否可用

真正的问题只有：

Torch not compiled with CUDA enabled

---

你现在环境的真实状态

项目	状态
驱动	正常
GPU	可用
CUDA runtime	支持 13.1
PyTorch	CPU 版本 ❌
ComfyUI	正常

---

你犯的经典错误

先装 requirements，再装 torch

正确顺序是：

1. 先装 GPU torch
2. 再装 requirements

否则 requirements 会装 CPU 版本覆盖。

---

如果你想更干净一点（推荐）

直接删除 .venv：

rmdir /s /q .venv

然后：

uv venv --python 3.10
.venv\Scripts\activate

uv pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
uv pip install -r requirements.txt

这是最干净的做法。

---

如果你愿意，我可以帮你做一个：

• RTX 40 系列稳定配置
• ComfyUI 高显存优化参数
• SDXL / Flux 最佳启动参数
• 省显存运行策略

你显卡型号是？显存多少？
我们可以直接调到最优解。

很好，你这张 RTX 4080 12GB 其实是一个“刚好卡在临界点”的配置——
既可以跑 SDXL，但必须精细控制显存策略，否则就会出现 OOM 或频繁清理显存导致卡顿。

我给你一个系统级的优化方案，不是零散参数，而是完整结构思路。

---

一、先确认你的目标类型

12GB 显存下的优先级建议：

• 🟢 SD1.5 → 完全无压力
• 🟡 SDXL → 可跑，但需要控制
• 🔴 Flux / 大型 LoRA 叠加 → 必须优化

如果你是长期使用 ComfyUI 做生产工作，建议做下面这几层优化。

---

二、ComfyUI 启动层优化

推荐启动参数（4080 12GB 稳定版）

python main.py --force-fp16 --use-pytorch-cross-attention --disable-smart-memory

参数解释

• --force-fp16
  强制半精度，直接节省 40~50% 显存

• --use-pytorch-cross-attention
  让 attention 走 torch 原生 kernel（对 40 系列更稳定）

• --disable-smart-memory
  禁止 ComfyUI 频繁卸载模型（12GB 下反而更稳定）

---

三、PyTorch 层优化

1️⃣ 开启 TF32（非常重要）

在 main.py 顶部加：

import torch
torch.backends.cuda.matmul.allow_tf32 = True
torch.backends.cudnn.allow_tf32 = True

这对 RTX 40 系列有明显提升。

---

2️⃣ 开启 cudnn benchmark

torch.backends.cudnn.benchmark = True

前提是你分辨率固定（例如 1024×1024）。

---

四、模型加载策略优化

1️⃣ 不要同时加载多个 checkpoint

12GB 下：

• 一次只加载一个大模型
• LoRA 不超过 2~3 个

---

2️⃣ 使用 8-bit 或 4-bit LoRA

如果你使用大量 LoRA：

• 转成 8bit
• 或用 nvfp4（ComfyUI 新 backend 已支持）

可以节省 1~2GB。

---

五、分辨率控制建议

模型	建议最大分辨率
SD1.5	1024×1024
SDXL	1024×1024
SDXL + ControlNet	832×832

不要一开始就 1344×1344。

---

六、Windows 系统层优化

1️⃣ 关闭 Defender 对模型目录扫描

把：

D:\AI Models\

加入排除列表。

会明显减少 IO 卡顿。

---

2️⃣ 设置电源模式为“最佳性能”

控制面板 → 电源选项。

---

3️⃣ NVIDIA 控制面板

• 电源管理模式 → Prefer Maximum Performance
• 低延迟模式 → Off

---

七、内存和缓存优化

1️⃣ 增加 Pagefile（很重要）

12GB GPU + 16GB RAM 时建议：

虚拟内存设置为：

最小 32768 MB
最大 65536 MB

避免 SDXL 爆内存崩溃。

---

八、性能预期（给你一个心理模型）

RTX 4080 12GB + SDXL：

分辨率	步数	预估时间
1024	20	6~8 秒
1024	30	9~12 秒

如果明显慢于这个，多半是：

• 没开 fp16
• torch 没走 CUDA
• 被 Defender 拖慢

---

九、是否要安装 Triton？

你日志显示：

ImportError: No module named 'triton'

是否值得装？

结论：

• 对 40 系列提升有限
• 容易增加依赖冲突
• 不建议现在装

等环境稳定再考虑。

---

十、终极稳定方案（推荐结构）

D:\AI\
   ├── ComfyUI\
   │     ├── .venv
   │     ├── models
   │     ├── output
   │     └── custom_nodes

• 每个 AI 项目一个独立 venv
• 不共享 torch
• 不全局安装 CUDA Toolkit

---

十一、如果你想进一步压榨性能

可以：

• 使用 xFormers（节省 10~15% 显存）
• 使用 Flash Attention 2（需要编译）
• 使用 nvfp4 quantization

但这些属于“进阶实验优化”，不是稳定优先方案。

---

总结给你一句话

你的 RTX 4080 12GB 是一个“必须精细管理显存”的卡。

优化关键只有三件事：

1. 强制 FP16
2. 控制模型数量
3. 关闭 Windows IO 干扰

做到这三点，ComfyUI 会非常稳定。

---

如果你告诉我：

• 你主要跑 SDXL 还是 1.5？
• 会不会用 ControlNet？
• 会不会叠多个 LoRA？

我可以给你一个完全针对你使用模式的最优组合。