为什么要使用 uv 来部署
uv 是一个用 Rust 编写的 Python 包安装器和解析器。与传统的 pip 相比，它在速度和效率方面都有显著提升。对于 ComfyUI 这样依赖大量 Python 包的应用程序来说，使用 uv 可以显著缩短安装和依赖解析的时间，从而提高部署效率。
comfyui 部署的易错的地方 在显卡 和 pytorch 的兼容性，我们先讲讲他们的来龙去脉
NVIDIA 显卡驱动
Arch Linux 下显卡驱动安装1
我用的是 Arch Linux，显卡是 4070s2，查询命令
lspci -k -d ::03xx显示AD104，属于 Ada Lovelace 架构（NV190/ADXXX 系列）, 选择nvidia包 ，安装比较简单
sudo pacman -S nvidia
NVIDIA 显卡驱动的兼容性3
- 向后兼容性确保较新的 NVIDIA 驱动程序可以与较旧的 CUDA 工具包一起使用。
我们安装完驱动，输入
nvidia-smi就可以看到该驱动兼容的最高 cuda 版本
- 次要版本和向前兼容性确保了旧的 NVIDIA 驱动程序可以与较新的 CUDA 工具包一起使用
比较复杂，普通用户只需按向后兼容，把驱动搞到新版即可
CUDA 和 PyTorch
CUDA Toolkit
CUDA是由英伟达所推出的一种软硬件集成技术，是该公司对于GPGPU的正式名称。透过这个技术，用户可利用NVIDIA的GPU进行图像处理之外的运算，亦是首次可以利用GPU作为C-编译器的开发环境。而我们日常称的 CUDA 通常指CUDA Toolkit。
CUDA Toolkit 是套完整的开发工具包，包括编译器（nvcc）、库（如 cuBLAS、cuFFT）和运行时（CUDA Runtime）。通过CUDA，开发者可以使用NVIDIA提供的CUDA API来编写程序，从而在支持CUDA的GPU上执行计算密集型任务，比如物理模拟、图像和视频处理、机器学习算法等。
PyTorch 自带 CUDA 是什么？
PyTorch 的官方二进制发行版内置了一个精简的 CUDA Runtime，用于支持 PyTorch 的 GPU 计算，包含了运行时所需的 CUDA 库（如 cuDNN、cuBLAS 等）。因此只需要确保你的系统上安装了正确的 NVIDIA 驱动程序即可, 无需额外安装 cuda，因为 PyTorch 不依赖本地的 nvcc 或完整的 CUDA Toolkit 来运行。
python 官方源当前为 12.4 pytorch 源 stable版为 12.6； nightly 为 12.8
| pip安装 | 版本 |
|---|---|
pip3 install torch torchvision torchaudio | CUDA12.4 |
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126 | CUDA12.6 |
pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128 | CUDA12.8 |
uv 安装
在 Python 生态中，
uv是一个新兴的工具，旨在提供高性能的包管理和任务运行功能。它由astral-sh（以开发ruff等知名项目而闻名）创建，目标是成为 Python 开发者的一个快速、可靠且现代化的工具链组件。 uv 默认使用二进制缓存，避免重复下载和编译相同的包。 我们按 uv 官网 命令脚本安装4，会安装在个人用户目录下，uv 能很好遵循 xdg 规范
curl -LsSf https://astral.sh/uv/install.sh | shcomfyui部署
comfyui 源码下载
git clone https://github.com/comfyanonymous/ComfyUI.git
- comfyui 项目本身已经带 pyproject.toml，我们无需uv初始化
uv init
comfyui 依赖安装
-
安装 Python 依赖，先 cd 到 ComfyUI 目录
uv add -r requirements.txt
uv 自动创建了虚拟环境，安装好了依赖
-
测试 pytorch
uv run python -c "import torch;print(torch.cuda.is_available());print(torch.version.cuda)"
版本 12.4，与我们前面PyTorch 自带 CUDA 是什么？ 看到的一致
-
切换 pytorch 版本 如果我们需要切换 pytorch 版本到 2.6，先卸载当前的
uv pip uninstall torch torchvision torchaudio因为torchvision、torchaudio 都与 torch 相关，我们一起卸载，避免不可控的混乱 从 pytorch 源安装 pytorch2.6
uv pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
可以看到 pytorch已经切换到带cuda12.6 的版本这里我们并没有用 add 命令，因为额外的 —index-url，需要手动修改配置pyproject.toml，目前还有一点点依赖冲突问题，具体修改可参考comfyui-uv
测试运行comfyui
我们还是用 uv 来 run，这里我们始终没有激活虚拟环境，因为 uv run 的时候会自动调用前面创建的.venv 虚拟环境去跑。
uv run main.py --base-directory ../data --listen 0.0.0.0
main.py 的具体参数，可以使用
--help，也可以参考comfyui-main; 上面我们使用了—base-directory 切换了数据目录，包括模型、自定义节点，输入输出以及自定义配置工作流等等，便于我们数据的保存和 comfyui 的升级切换。
comfyui-manager 插件安装
comfyui-manager 插件 是 comfyui 的重要插件，我们大部分情况下依赖它来安装其他插件，方便安装插件依赖和解决插件依赖冲突。
克隆ComfyUI-Manager 源码
克隆源码到 custom_nodes目录下，默认该目录在 comfyui 根目录下，因为我们这自定义了--base-directory，我们克隆到对应插件目录~/data/custom_nodes下
git clone https://github.com/ltdrdata/ComfyUI-Manager.git ~/data/custom_nodes/comfyui-manager
如果你之前已经有很多节点，重新升级了 comfyui，可以先把它们移到.dsabled目录下，插件目录下只保留comfyui-manager
配置 ComfyUI-Manager 使用 uv
- 因为我们使用 uv 部署，需要修改下comfyui-manager 配置，让它默认也使用 uv
- 这个配置在我们的用户文件目录下即
user/defualt/ComfyUI-Manager下，修改config.ini加上user_uv = True
安装comfyui-manager 所需依赖
- cd 切换到 ComfyUI，因为我们的虚拟环境在这，我们后续操作都在这进行
- 拷贝comfyui-manager的 requirements.txt 为本目录下的 requirements-manager.txt
cp ~/data/custom_nodes/comfyui-manager/requirements.txt ./requirements-manager.txt - 虽然 uv pip 本身可以直接安装依赖，但ComfyUI-Manager 使用的 python -m uv pip 命令，我们必须补上 pip 依赖，它才能正常添加依赖。
echo pip >> requirements-manager.txt - 安装 ComfyUI-Manager 依赖
uv add -r requirements-manager.txt
测试再次运行comfyui
一切正常，没有报错，我们后续文章再来测试comfyui-manager 的插件安装