AI电脑本地绘画指南：离线部署与本地运行的完整配置教程

先说一个很多人不愿意面对的现实：本地AI绘画是有硬件门槛的。你用一台集成显卡的轻薄本跑Stable Diffusion，出图速度会让你怀疑人生——一张512×512的图可能要十分钟，而且显存溢出是家常便饭。但好消息是现在的优化方案已经非常成熟——低配置也有低配置的玩法，显存不够可以用CPU模式跑（慢但能跑），内存不够可以用量化模型（牺牲一点质量换可运行性）。关键是先搞清楚自己的硬件边界在哪里，然后在这个边界里做最优选择，而不是一上来就想着"我得买个4090才行"——不是所有人都需要4090，就像不是所有开车的人都需要法拉利。

硬件配置的最低门槛与推荐方案——别被"必须4090"吓退

最低可玩配置：NVIDIA GTX 1060 6GB——很多人手里这张老卡完全能跑SD 1.5模型出512×512的图，一张大约20-30秒。如果想跑SDXL模型（1024×1024），最低需要8GB显存——RTX 2060 8GB或RTX 3060 12GB都行。如果想流畅跑SDXL+ControlNet+多LoRA叠加，建议12GB以上——RTX 3060 12GB（性价比之王，二手不到1500块）、RTX 4070 12GB、RTX 4080 16GB。预算充足就直接RTX 4090 24GB——它能把出图速度压到1-2秒一张，而且大显存意味着你可以同时加载多个ControlNet和LoRA而不爆显存。AMD显卡能用但坑多——ROCm在Windows上的支持一直不太稳定，建议AMD用户直接用DirectML版本（速度慢一些但兼容性好）。Mac用户有专门的MPS加速方案——Draw Things和DiffusionBee这两个Mac原生应用对Apple Silicon优化得非常好，M系列芯片的统一内存架构甚至可以跑需要大显存的任务。关于硬件选择的更多细节，AI绘画硬件配置指南中有不同预算档位的完整装机方案。

Stable Diffusion WebUI (Auto1111) 安装与配置——新手最佳入口

如果你是本地部署的新手，我建议从Automatic1111的WebUI开始——它虽然不是最高效的，但是资料最多、社区最大、出问题最容易搜到答案。安装步骤：第一步，安装Python 3.10.6（必须是这个版本，新版Python不兼容某些依赖库）。第二步，安装Git。第三步，从GitHub克隆A1111的仓库到本地。第四步，运行webui-user.bat，它会自动下载所有依赖和SD 1.5基础模型。第五步，打开浏览器访问http://127.0.0.1:7860，看到界面了就是安装成功。常见的坑：显卡驱动太旧导致CUDA不可用——去NVIDIA官网下载最新的Game Ready驱动。Python版本不对——用`python --version`确认是3.10.6。下载模型文件时网络中断——从镜像站手动下载模型文件放到models/Stable-diffusion目录下。还有一个小技巧：在webui-user.bat里加上`set COMMANDLINE_ARGS=--xformers --medvram`——xformers可以显著降低显存占用，medvram适合8GB以下的显卡。在AI Stable Diffusion入门指南中有更详细的安装图文教程和排错方案。

ComfyUI——节点式工作流，高阶用户的效率神器

A1111用熟了之后你自然会想换ComfyUI——不是因为A1111不好，而是因为ComfyUI的节点式工作流在做复杂任务时的效率碾压一切。ComfyUI的核心逻辑是把AI绘画的每个步骤拆成一个节点——加载模型是一个节点、写Prompt是一个节点、采样是一个节点、VAE解码是一个节点、图像放大又是另一个节点。你可以像搭乐高一样把这些节点连成流程图——而且这个流程图可以保存为JSON文件分享给别人。社区里有大量现成的工作流可以直接下载加载——从文生图的基础流程到图生图的ControlNet流程到复杂的区域重绘流程，你不需要自己从头搭。ComfyUI的另一个巨大优势是内存管理——它只把当前节点需要的数据加载到显存，处理完立刻释放——这意味着你用8GB的显卡能干A1111上12GB都不一定干得了的事。不过ComfyUI的学习曲线确实比A1111陡——第一次打开那个空白的节点画布的时候会有一种"我是谁我在哪"的迷失感。建议先去ComfyUI官方示例页面下载几个基础工作流跑一遍，感受一下流程之后再试着自己搭建。同时Hugging Face上的模型库是你获取SD模型和LoRA的主要来源，国内的镜像站也能加速下载。

本地化工作流的效率优化——从出图到入库的自动化

本地部署最大的好处不是省钱，是你可以搭建完全自定义的自动化管线——这是我用云端工具永远做不到的。我的本地工作流是这样串起来的：第一步，在Notion里写Prompt草稿（利用上篇文章写的灵感词库）。第二步，把Prompt通过API发给本地SD（用A1111的API模式或ComfyUI的API节点），批量生成8-16张候选图。第三步，生成的图自动保存到按日期和项目命名的文件夹，同时生成一个带缩略图的HTML索引页方便浏览。第四步，用FastStone Image Viewer快速筛选（全屏浏览，左手按Delete删除废片，右手方向键切换，一分钟能筛完一百张）。第五步，选中的图拖进Photoshop做简单的后期调色和裁切。第六步，成品图归档到NAS的同时同步到iCloud，手机和平板随时能翻看和发社交媒体。这套管线里最关键的自动化节点是API批量生成——不用手动点鼠标一张一张等，设好参数之后去泡杯咖啡，回来的时候几十张候选图已经等着你了。关于本地工作流的更多自动化技巧，AI绘画工作流自动化中有从API调用到自动后期处理的完整脚本方案。

常见问题

安装过程中一直报CUDA错误怎么办？

90%的CUDA错误跟PyTorch版本不匹配有关。先去NVIDIA控制面板确认你的CUDA驱动版本（`nvidia-smi`命令在命令行里运行），然后去PyTorch官网找对应CUDA版本的安装命令。比如你的驱动支持CUDA 11.8，就用`pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118`装对应版本。不要在驱动支持CUDA 11.8的情况下强行装CUDA 12.1的PyTorch——版本对齐是解决CUDA报错的第一原则。

本地生成速度太慢有哪些优化手段？

按优先级排：勾选xformers（提速20-30%）→降低采样步数（25步以上边际收益极低，20步够用）→使用LCM或Turbo模型（4-8步出图，但画质有折损）→降低分辨率（先出小图再用图生图放大）→关闭实时预览（A1111设置里关掉"show image during sampling"能省一点资源）。如果这些全做了还是慢，那就是硬件确实不够——考虑换显卡或者接受慢的节奏。

本地部署和云端服务应该怎么选？

看三个指标：使用频率（每周超过50张图果断本地，低于20张云服务更方便）、隐私需求（商业敏感图必须本地）、硬件预算（有闲余显卡优先本地，需要专门买卡的话算一下云服务的年费可能更划算）。我自己的组合是：日常实验和灵感速写在云端做（即时启动不占本地资源），正式创作和商业项目在本地跑（无限次精修+隐私有保障）。