年初我想批量出一批带固定角色的产品概念图，用在线工具每次都要重新描述、风格还飘。一怒之下把 Stable Diffusion 部署到了自己机器上，前前后后折腾了小一周才跑顺。现在回头看，本地部署值不值得，全看你出图的量和私密性要求。
先说为什么要本地跑。在线工具方便但有限制：每天额度就那些，想批量出图要排队，上传的参考图也在别人服务器上。本地部署一次性把环境搭好，之后出图不要钱，模型随便换，数据全在自己硬盘上。如果你只是偶尔玩一张头像，真没必要折腾，在线工具更省事。
硬件是第一道门槛。Stable Diffusion 吃的是显卡显存，不是 CPU。我自己的经验，8G 显存能跑基础模型但很挤，出大图或者上多个插件容易爆显存；12G 以上才舒服，16G 基本随便造。没有独显的笔记本基本可以放弃，核显跑一张图能让你怀疑人生。先看清自己显卡再决定，别像我一样兴冲冲装完发现显存不够又加钱。
环境搭建有两条主流路线。一条是 Stable Diffusion WebUI，界面友好，点点点就能出图，新手友好度最高，网上教程也最多。另一条是 ComfyUI，用节点连流程，前期学习曲线陡，但一旦搭好，复杂工作流能复用，适合爱折腾的人。我建议第一次部署直接上 WebUI，先把出图跑通，有感觉了再考虑 ComfyUI。
装环境本身不难，坑在细节。Python 版本要对、Git 要装、显卡驱动和 CUDA 要匹配，少一步就报错。最稳的办法是跟着一个近期的教程一步步走，别用太老的帖子，版本对不上会卡半天。装完先跑一张默认图验证环境，能出图再往下加东西。
模型是本地 SD 的灵魂。基础模型决定了整体画风，想要二次元就下 anime 类的，想要写实就下 realistic 类的。模型主要从 哩布AI 这类社区或者海外站点下，挑下载量大、评论好的，踩雷概率低。模型文件动辄几 G，下的时候耐心点，放错目录 WebUI 里就看不到。
LoRA 和 ControlNet 是让出图变可控的两件法宝。LoRA 能在基础模型上叠加一个小模型，固定某个角色或者某种画风，比如你想每次都出同一张脸，炼一个角色 LoRA 就稳了。ControlNet 能按你给的线稿、姿势图、深度图来控制构图，垫图不再是「大概意思」，而是精确到线条。这两样把玩明白了，本地 SD 才算真正好用。
如果你不想碰显卡驱动那一套，Ollama 这种本地模型运行框架也能跑一部分图像相关的事，它把环境封装得比较干净，适合只想本地跑模型又怕配环境的人。不过它在图像生成上的生态不如专门的 SD 工具完整，当作过渡或者补充更合适。
本地部署的缺点得说透。一是前期折腾，环境、驱动、插件一个接一个，新手很容易卡在某一步泄气。二是吃机器，显卡风扇转起来像起飞，长时间出图机器发烫，笔记本得考虑散热。三是速度，低端显卡出一张大图可能要一两分钟，批量的时候很考验耐心。
还有个现实问题，模型更新快，今天觉得好用的 checkpoint 过两个月可能就落伍了，你得持续关注社区。不像在线工具，人家后台升级你无感。本地玩家得自己当运维。
我的建议很直接：每月出图超过几十条、或者处理的内容不方便上云，就值得本地部署，一次性投入换来长期自由。只是偶尔玩玩，老老实实用在线工具，把时间花在画本身上更划算。
动手前先把系统收拾干净。Windows 用户关掉可能占用显卡的软件，更新到较新的显卡驱动，预留至少 20G 硬盘给模型和环境。很多人部署失败不是步骤错，是硬盘写满或者驱动太旧，这类问题最隐蔽也最好防。另外做好心理预期，第一次出图大概率不惊艳，本地 SD 的优势在可控和免费，不在开箱即用的效果，模型挑对、参数调顺之后才见真章，前面几天的笨拙是正常的。
你现在手上是哪张显卡？显存多少？告诉我我能直接给你一套能跑起来的配置起点，少踩我踩过的驱动坑。