ComfyUI su Fedora 43: Due Ambienti Virtuali + Avvio con un Clic (Marzo 2026)

ComfyUI su Fedora 43: Due Ambienti Virtuali + Avvio con un Clic (Marzo 2026)
Data: Marzo 2026
OS: Fedora 43
Obiettivo: Mantenere due venv Python (es. 3.12 + 3.14) per compatibilità, ma avviare ComfyUI automaticamente con una configurazione pulita e leggera.
Enterprise Delivery Operating System
Questa guida fa parte della serie Enterprise Delivery Operating System. Utilizza questi hub di categoria per navigare nell'intero stack (infra → workflow → governance).
ArchitetturaArchitettura di riferimento per l'Enterprise Delivery Operating System.
DevOps e RuntimeDeployment, servizi, porte, operazioni di runtime e ripetibilità.
Strumenti AI e AutomazioneStack AI locale, orchestrazione, automazione e workflow stabili.
Sicurezza e ConformitàPermessi, hardening e impostazioni predefinite sicure per i sistemi AI locali.
Osservabilità e PrestazioniOttimizzazione delle prestazioni, monitoraggio, budgeting VRAM/RAM e stabilità.
Perché mantenere due venv?
Gli strumenti AI si evolvono rapidamente. Alcuni nodi e wheel rimangono indietro rispetto alle versioni più recenti di Python, mentre altri le richiedono.
- venv Python 3.12 → “noioso ma compatibile” (TensorRT/LW wheels/Lightning sono spesso più stabili)
- venv Python 3.14 → funzionalità più recenti, ma sono comuni wheel mancanti o problemi di importazione
Regola: non mischiare mai le installazioni tra i venv. Esegui sempre ComfyUI dal venv desiderato.
Configurazione: Uno script per venv
Crea un piccolo script di avvio che:
1) entri nella cartella ComfyUI
2) attivi il venv scelto
3) esegua ComfyUI su localhost
1) Crea un launcher per il venv Python 3.12
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) (Opzionale) Crea un launcher per il venv Python 3.14
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
Ora puoi eseguire entrambe le versioni senza pensarci:
- ~/.local/bin/comfyui-start-312.sh
- ~/.local/bin/comfyui-start-314.sh
Avvio automatico: servizio utente systemd (opzione migliore)
Questo avvia ComfyUI al login, lo riavvia in caso di crash e rimane minimale (niente root, niente wrapper pesanti).
1) Crea il servizio utente per 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) Abilita + avvia
systemctl --user daemon-reload
systemctl --user enable --now comfyui312.service
systemctl --user status comfyui312.service --no-pager
3) Log (debug)
journalctl --user -u comfyui312.service -f
(Se desideri anche il servizio 3.14, ripeti con comfyui314.service e l'altro script.)
GUI con un clic: Launcher desktop (apri ComfyUI nel browser)
Questo crea una voce di app nel tuo menu. Cliccandoci:
1) avvia il servizio
2) apre l'interfaccia nel tuo 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
Note per prevenire errori comuni
- Se vedi pip che installa in ~/.local/..., non sei nel venv corretto (o non lo hai attivato).
- Se un nodo fallisce con pkg_resources mancante → installa setuptools all'interno del venv scelto:source /home/x/ai/ComfyUI/.venv312/bin/activatepython -m pip install -U pip setuptools wheel
- I fallimenti dei nodi TensorRT sono normali sulle versioni più recenti di Python: se non ne hai bisogno, disabilita quella cartella di nodi personalizzati.
Prossime letture
Se vuoi approfondire, queste guide si collegano direttamente alla configurazione sopra:
Nodi ComfyUI: correzioni delle dipendenze (Lightning, pkg_resources, ffmpeg)Risolvi i comuni errori di importazione dei nodi e mantieni stabile il tuo stack ComfyUI durante gli aggiornamenti.
Due venv, due porte, zero confusioneEsegui più istanze di ComfyUI in modo pulito: porte, servizi e profili prevedibili.
Budgeting della VRAM: cosa riduce effettivamente l'OOMTattiche pratiche per la VRAM: modalità di attenzione, dimensioni dei modelli, batching e limiti reali.
Hardening dell'IA locale: permessi, sandboxing e impostazioni predefinite sicureRiduci i rischi sui sistemi IA locali: permessi dei file, isolamento dei servizi e impostazioni predefinite più sicure.
Compromessi (in breve)
servizio utente systemd
- ✅ stabile, riavvio automatico, basso overhead, pulito
- ⛔ richiede una configurazione iniziale una tantum
lanciatore desktop
- ✅ workflow con un solo clic
- ⛔ dipende ancora dall'interfaccia utente del browser
due venv
- ✅ il meglio di entrambi i mondi (compatibilità + ultime versioni)
- ⛔ è necessario mantenere separati porte/servizi per evitare confusione
Related Articles

Agenti per l'uso del computer: perché una demo di successo può comunque essere un sistema inaffidabile
Gli agenti computer-use possono ora completare impressionanti flussi di lavoro su browser e desktop, ma una singola esecuzione riuscita dimostra la capacità—non l'affidabilità. Questo articolo mostra come testare la ripetibilità, la robustezza ambientale, il controllo a lungo orizzonte, la consapevolezza dello stato, la verifica dei risultati e la gestione sicura degli obiettivi.

Oltre l'ingegneria dei prompt: una metodologia per un ragionamento AI più affidabile
I grandi modelli linguistici non falliscono necessariamente perché mancano di capacità di ragionamento. Spesso falliscono perché il processo di ragionamento non è sufficientemente vincolato, messo in discussione o verificato. Questo articolo presenta una metodologia indipendente dal dominio che trasforma il prompting in un processo epistemico strutturato: separare i fatti dalle assunzioni, generare ipotesi concorrenti, testare le controprove, applicare la falsificazione e verificare se le conclusioni rimangono stabili sotto inquadrature alternative. L'obiettivo non è rendere il modello "meno d'accordo", ma rendere le sue conclusioni meno dipendenti dall'inquadratura iniziale dell'utente.

Fonte di verità nei sistemi di IA: da dove proviene realmente la conoscenza affidabile
Una Fonte di Verità definisce quale fonte è autorevole per un fatto o uno stato specifico. Scopri come si differenzia da RAG, provenienza, memoria, contesto, database vettoriali e sistemi di registrazione.

ADR vs NFR: decisioni architetturali e qualità del sistema non sono la stessa cosa
ADR vs NFR spiegati: scopri come i requisiti di qualità del sistema guidano le decisioni architetturali, come gli ADR registrano i compromessi e perché la validazione rimane separata.

Guida Completa alle Metriche per la Consegna e la Gestione del Cambiamento
Questa guida fornisce una panoramica dettagliata delle metriche essenziali per la delivery aziendale e la gestione del cambiamento, aiutando i team a misurare le prestazioni, ottimizzare i processi e promuovere il miglioramento continuo. Scopri gli indicatori chiave, i metodi di calcolo e le best practice per allineare le tue metriche ai risultati aziendali.

Architettura Multi-Tenant di Livello Enterprise per una Piattaforma Internazionale
Loving Rocks è una piattaforma per matrimoni di livello enterprise progettata con una vera architettura multi-tenant, database isolati per tenant e internazionalizzazione integrata per scalabilità globale, sicurezza e stabilità operativa a lungo termine.

Falsificazione per il ragionamento dell'IA: dalle risposte alle ipotesi testate
I modelli di IA possono generare prove convincenti per quasi qualsiasi ipotesi plausibile. Una metodologia più affidabile pone la domanda opposta: quali prove indebolirebbero, contraddirebbero o ci costringerebbero ad abbandonare la conclusione? Questo articolo sviluppa un ragionamento orientato alla falsificazione per gli LLM utilizzando ipotesi concorrenti, test discriminanti, controprove e criteri di rifiuto espliciti.

Database vettoriali, embedding e reranking: tre parti diverse del recupero
Gli embedding rappresentano il significato, i database vettoriali recuperano i candidati e i reranker affinano i risultati. Scopri come questi tre livelli di recupero si differenziano e collaborano nel RAG.

Che cos'è un architetto di piattaforme AI? Modelli, dati, runtime, sicurezza e operazioni
Un Architetto di Piattaforme AI progetta fondamenta AI riutilizzabili attraverso modelli, fornitori, recupero, agenti, identità, sicurezza, valutazione, osservabilità e operazioni.

OpenAI Agents API vs Agents SDK vs Responses API: Su cosa dovresti sviluppare nel 2026?
Lo stack di agenti di OpenAI è cambiato a settembre 2026. Questa guida all'architettura separa Agents API, Agents SDK, Responses API e Codex SDK in base alla proprietà del runtime—in modo che i team possano scegliere il giusto confine di controllo invece di confrontare i nomi dei prodotti.

L'IA generativa spiegata: modelli, recupero, strumenti e applicazioni non sono la stessa cosa
L'IA generativa è più di un modello. Scopri come modelli, recupero, strumenti, contesto, runtime e applicazioni si integrano nei sistemi di IA in produzione.

IA sovrana: controllo di modelli, dati, infrastrutture e dipendenze
L'IA sovrana riguarda il controllo effettivo su modelli, dati, infrastrutture, software, operazioni e dipendenze strategiche — non semplicemente dove è ospitato un modello di IA.