ComfyUI auf Fedora 43: Zwei virtuelle Umgebungen + Ein-Klick-Start (März 2026)

ComfyUI auf Fedora 43: Zwei virtuelle Umgebungen + Ein-Klick-Start (März 2026)
Datum: März 2026
BS: Fedora 43
Ziel: Behalten Sie zwei Python-Venvs (z. B. 3.12 + 3.14) für die Kompatibilität bei, aber starten Sie ComfyUI automatisch mit einem sauberen, leichtgewichtigen Setup.
Enterprise Delivery Operating System
Dieser Leitfaden ist Teil der Enterprise Delivery Operating System-Serie. Nutzen Sie diese Kategorie-Hubs, um durch den gesamten Stack zu navigieren (Infra → Workflows → Governance).
ArchitekturReferenzarchitektur für das Enterprise Delivery Operating System.
DevOps & RuntimeDeployments, Dienste, Ports, Runtime-Operationen und Wiederholbarkeit.
KI-Tooling & AutomatisierungLokaler KI-Stack, Orchestrierung, Automatisierung und stabile Workflows.
Sicherheit & ComplianceBerechtigungen, Härtung und sichere Standardeinstellungen für lokale KI-Systeme.
Observability & PerformancePerformance-Tuning, Monitoring, VRAM/RAM-Budgetierung und Stabilität.
Warum zwei venvs behalten?
KI-Tooling entwickelt sich schnell. Einige Nodes und Wheels hinken dem neuesten Python hinterher, während andere es voraussetzen.
- Python 3.12 venv → „langweilig, aber kompatibel“ (TensorRT/LW Wheels/Lightning sind oft zufriedener)
- Python 3.14 venv → neueste Funktionen, aber fehlende Wheels / Import-Probleme sind häufiger
Regel: Mischen Sie niemals Installationen zwischen venvs. Führen Sie ComfyUI immer aus der beabsichtigten venv aus.
Setup: Ein Skript pro venv
Erstellen Sie ein kleines Launcher-Skript, das:
1) in den ComfyUI-Ordner wechselt
2) die gewählte venv aktiviert
3) ComfyUI auf localhost ausführt
1) Erstellen Sie einen Launcher für die Python 3.12 venv
mkdir -p ~/.local/bin
cat > ~/.local/bin/comfyui-start-312.sh <<'EOF'
#!/usr/bin/env bash
set -euo pipefail
cd /home/x/ai/ComfyUI
source /home/x/ai/ComfyUI/.venv312/bin/activate
exec python main.py --listen 127.0.0.1 --port 8188
EOF
chmod +x ~/.local/bin/comfyui-start-312.sh
2) (Optional) Erstellen Sie einen Launcher für die Python 3.14 venv
cat > ~/.local/bin/comfyui-start-314.sh <<'EOF'
#!/usr/bin/env bash
set -euo pipefail
cd /home/x/ai/ComfyUI
source /home/x/ai/ComfyUI/.venv/bin/activate
exec python main.py --listen 127.0.0.1 --port 8189
EOF
chmod +x ~/.local/bin/comfyui-start-314.sh
Jetzt können Sie beide Versionen ohne Nachdenken ausführen:
- ~/.local/bin/comfyui-start-312.sh
- ~/.local/bin/comfyui-start-314.sh
Autostart: systemd User-Service (beste Option)
Dies startet ComfyUI beim Login, startet bei einem Absturz neu und bleibt minimal (kein Root, keine schweren Wrapper).
1) Erstellen Sie den User-Service für 3.12
mkdir -p ~/.config/systemd/user
cat > ~/.config/systemd/user/comfyui312.service <<'EOF'
[Unit]
Description=ComfyUI (Python 3.12 venv)
After=network.target
[Service]
Type=simple
WorkingDirectory=/home/x/ai/ComfyUI
ExecStart=/home/x/.local/bin/comfyui-start-312.sh
Restart=on-failure
RestartSec=2
Environment=PYTHONUNBUFFERED=1
[Install]
WantedBy=default.target
EOF
2) Aktivieren + Starten
systemctl --user daemon-reload
systemctl --user enable --now comfyui312.service
systemctl --user status comfyui312.service --no-pager
3) Protokolle (Debug)
journalctl --user -u comfyui312.service -f
(Wenn Sie auch den 3.14-Service wünschen, wiederholen Sie dies mit comfyui314.service und dem anderen Skript.)
Ein-Klick-GUI: Desktop-Starter (ComfyUI im Browser öffnen)
Dies erstellt einen App-Eintrag in Ihrem Menü. Ein Klick darauf:
1) startet den Dienst
2) öffnet die Benutzeroberfläche in Ihrem Browser
mkdir -p ~/.local/share/applications
cat > ~/.local/share/applications/comfyui.desktop <<'EOF'
[Desktop Entry]
Type=Application
Name=ComfyUI (Local)
Comment=Start ComfyUI and open the UI
Exec=sh -lc 'systemctl --user start comfyui312.service; xdg-open http://127.0.0.1:8188'
Icon=utilities-terminal
Terminal=false
Categories=Graphics;AI;
EOF
Hinweise zur Vermeidung häufiger Fehler
- Wenn Sie sehen, dass pip in ~/.local/... installiert, befinden Sie sich nicht in der richtigen venv (oder Sie haben sie nicht aktiviert).
- Wenn ein Node mit fehlendem pkg_resources fehlschlägt → installieren Sie setuptools innerhalb der gewählten venv:source /home/x/ai/ComfyUI/.venv312/bin/activatepython -m pip install -U pip setuptools wheel
- TensorRT-Node-Fehler sind bei neueren Python-Builds normal: Wenn Sie sie nicht benötigen, deaktivieren Sie diesen benutzerdefinierten Node-Ordner.
Weiterführende Lektüre
Wenn Sie tiefer einsteigen möchten, knüpfen diese Leitfäden direkt an das obige Setup an:
ComfyUI-Nodes: Abhängigkeits-Fixes (Lightning, pkg_resources, ffmpeg)Beheben Sie häufige Fehler beim Importieren von Nodes und halten Sie Ihren ComfyUI-Stack über Updates hinweg stabil.
Zwei venvs, zwei Ports, null VerwirrungBetreiben Sie mehrere ComfyUI-Instanzen sauber: Ports, Dienste und vorhersehbare Profile.
VRAM-Budgetierung: Was OOM-Fehler wirklich reduziertPraktische VRAM-Taktiken: Attention-Modi, Modellgrößen, Batching und reale Limits.
Lokale KI-Härtung: Berechtigungen, Sandboxing und sichere StandardeinstellungenReduzieren Sie Risiken auf lokalen KI-Systemen: Dateiberechtigungen, Dienstisolierung und sicherere Standardeinstellungen.
Abwägungen (kurz)
systemd User-Service
- ✅ stabil, automatischer Neustart, geringer Overhead, sauber
- ⛔ erfordert einmalige Ersteinrichtung
Desktop-Starter
- ✅ Ein-Klick-Workflow
- ⛔ hängt weiterhin von der Browser-UI ab
zwei venvs
- ✅ das Beste aus beiden Welten (Kompatibilität + aktuellste Versionen)
- ⛔ Ports/Dienste müssen getrennt gehalten werden, um Verwirrung zu vermeiden
Related Articles

Qwen 3.6 in der Produktion: Release-Runbook, KI-Rollback und LLMOps-Versionierung
Qwen 3.6 ist nicht nur ein weiteres Modell-Upgrade. Es ist gleichzeitig ein Release-Ereignis, ein Rollback-Szenario und ein Versionierungsproblem. Dieser Artikel erklärt, wie Qwen 3.6 in der Produktion durch LLMOps-Disziplin, Prompt- und Modell-Rückverfolgbarkeit, kontrollierten Rollout und evidenzbasierte Rollback-Bereitschaft gehandhabt werden sollte.

MLOps vs. LLMOps: Was sich ändert, wenn das Modell ein LLM ist
MLOps betreibt Systeme für maschinelles Lernen; LLMOps erweitert diese Praktiken auf Prompts, Kontext, Retrieval, Anbieter, Tools, Evaluierungen und Laufzeitverhalten rund um große Sprachmodelle.

MCP erklärt: Was es verbindet, was es nicht tut und wo es passt
Das Model Context Protocol verbindet KI-Anwendungen über eine standardisierte Client-Server-Grenze mit externen Tools, Ressourcen und Prompts. Erfahren Sie, was MCP tut, was es nicht tut und wo es in der Agentenarchitektur einzuordnen ist.

Die GPU ist nicht das Produkt: Zukunftssichere private KI-Architektur
Private KI-Infrastruktur sollte nicht um eine einzige GPU oder ein einziges Modell herum konzipiert werden. Ein resilienterer Ansatz kombiniert schnelle Inferenz-GPUs, speicherstarke KI-Systeme, physische KI-Knoten und optionale Frontier-Cloud-Modelle hinter einer fähigkeitsbewussten Routing-Schicht.

Migration vom OpenAI Agents SDK zur Agents API: Was ändert sich tatsächlich architektonisch?
Die Migration vom OpenAI Agents SDK zur neuen Agents API ist keine reine Umbenennung von Imports. Die Laufzeitgrenze verschiebt sich: Die Agent-Schleife, die dauerhafte Sitzung, die Orchestrierung, die Kontextkomprimierung und die Wiederherstellung bewegen sich in Richtung einer verwalteten Harness. Dieser Leitfaden zeigt, was verschoben werden sollte, was in Ihrer Anwendung bleiben sollte und wie Sie die Migration vor dem Cutover nachweisen können.

RAG fehlgeschlagen – aber welche Ebene ist tatsächlich fehlgeschlagen? Eine diagnostische Methode
Wenn eine RAG-Antwort falsch ist, ist es zu vage, das Retrieval oder das Modell verantwortlich zu machen. Diese Diagnosemethode isoliert Quellenabdeckung, Query-Konstruktion, Retrieval, Ranking, Kontextzusammenstellung, Generierung, Evidenzzuordnung und Aktualität – sodass der tatsächliche Fehler reproduziert und behoben werden kann.

Falsifikation für KI-Schlussfolgern: Von Antworten zu getesteten Hypothesen
KI-Modelle können überzeugende Belege für nahezu jede plausible Hypothese generieren. Eine zuverlässigere Methodik stellt die entgegengesetzte Frage: Welche Belege würden die Schlussfolgerung abschwächen, ihr widersprechen oder uns zwingen, sie aufzugeben? Dieser Artikel entwickelt eine falsifikationsorientierte Argumentation für LLMs mithilfe konkurrierender Hypothesen, diskriminierender Tests, Gegenbelegen und expliziter Ablehnungskriterien.

KI-Governance: Modelle, Daten, Berechtigungen, Risiko und Auditierbarkeit
KI-Governance definiert, wer KI-Systeme über Modelle, Anbieter, Daten, Berechtigungen, Risiken, Evaluierung und den gesamten Lebenszyklus hinweg genehmigen, betreiben, ändern und prüfen darf.

Warum ruft KI einige Quellen ab und ignoriert andere? — Die Retrieval-Autoritätsschicht
Ein relevantes Dokument zu finden, reicht nicht aus. KI-Systeme müssen auch Quellen, die aktuell, maßgeblich, anwendbar und nachvollziehbar sind, von Quellen unterscheiden, die lediglich ähnlich aussehen. Die Retrieval Authority Layer definiert diese Grenze der Quellenauswahl.

Ultimativer Leitfaden zu Akzeptanzkriterien für die LLM-Einführung in Enterprise-Playbooks
Meistere die Kunst, präzise Akzeptanzkriterien zu definieren, um eine erfolgreiche LLM-Integration in Ihrer Unternehmensumgebung sicherzustellen. Dieser umfassende Leitfaden bietet umsetzbare Frameworks, Beispiele und Best Practices, die auf playbook-gesteuerte Adoption zugeschnitten sind.

Wahrheitsquelle in KI-Systemen: Woher verlässliches Wissen tatsächlich stammt
Eine Quelle der Wahrheit definiert, welche Quelle für einen bestimmten Fakt oder Zustand maßgeblich ist. Erfahren Sie, wie sie sich von RAG, Provenienz, Gedächtnis, Kontext, Vektordatenbanken und Systemen of Record unterscheidet.

Unternehmensfähige mandantenfähige Architektur für eine internationale Plattform
Loving Rocks ist eine Hochzeitsplattform auf Unternehmensniveau, konzipiert mit einer echten Mehrmandantenarchitektur, isolierten Datenbanken pro Mandant und integrierter Internationalisierung für globale Skalierbarkeit, Sicherheit und langfristige Betriebsstabilität.