ИИ-генерация изображений в продакшене за 30 минут: ComfyUI без DevOps и Kubernetes

Проблема знакома почти всем, кто переносил локальный генеративный пайплайн в продакшен. ComfyUI стал стандартом де-факто для сборки сложных цепочек: можно комбинировать модели, подключать LoRA и ControlNet, добавлять собственные Python-ноды. Но ComfyUI строит пайплайн, а не сервис. Масштабирование, очереди, хранение результатов и асинхронная обработка запросов остаются за вами. Ниже разберём, как пройти этот путь без погружения в администрирование кластеров, и покажем конкретный управляемый сервис, который берёт инфраструктурную часть на себя.

Почему синхронный HTTP не работает для генерации?

Обычное веб-приложение отвечает за миллисекунды: запрос пришёл, ответ ушёл. С ИИ-генерацией изображений всё иначе. Даже простая картинка создаётся десятки секунд, а видео может занять минуты.

Если обернуть ComfyUI в синхронный HTTP-эндпоинт (отправил запрос, ждёшь файл в ответе), прокси или балансировщик оборвёт соединение через свой лимит, обычно от 30 до 120 секунд. ComfyUI при этом продолжит работу, задача останется в очереди, а клиент уже получит ошибку. Итог:

• Таймауты у пользователей
• Повторные запросы, которые создают лишнюю нагрузку
• Потерянные результаты: картинка сгенерирована, но никто её не забрал
• Невозможность обрабатывать запросы параллельно

Поэтому все крупные сервисы генерации работают асинхронно: клиент отправляет задачу, получает её идентификатор и забирает результат позже.

Что приходится строить вокруг ComfyUI?

Сам ComfyUI занимает малую часть всей системы. Вокруг него нужно выстроить:

• Очередь задач для управления потоком запросов
• GPU-инфраструктуру с возможностью масштабирования
• Хранилище результатов, чтобы сгенерированные файлы не терялись
• API-слой для выдачи статусов задач клиентам
• Автоскейлинг (автоматическое добавление мощностей при росте нагрузки)

Всё это можно собрать самостоятельно. Вопрос в том, сколько времени вы готовы потратить на инфраструктуру вместо развития продукта. Если цель научиться Kubernetes, это полезный путь. Если задача быстрее дать пользователям ИИ-генерацию изображений, логичнее передать инфраструктуру управляемому сервису.

Что понадобится

• Готовый workflow в ComfyUI, работающий локально
• Аккаунт в сервисе Evolution ML Inference
• Экспортированный JSON-файл workflow (через функцию Export API в ComfyUI)
• Приложение или сервис, из которого вы будете вызывать API
• Примерное время: от 15 до 30 минут на настройку (без учёта сборки самого workflow)

Пошаговая инструкция

1. Экспортируйте workflow из ComfyUI. Откройте готовый workflow и нажмите Export API. Вы получите JSON-файл, описывающий весь пайплайн: какие модели используются, в каком порядке, с какими параметрами.

2. Создайте ComfyRun. Загрузите экспортированный JSON-файл в интерфейс Evolution ML Inference. В том же окне выберите конфигурацию GPU для запуска. Сервис сам развернёт ComfyUI с вашим workflow на выделенном GPU.

3. Настройте масштабирование. Задайте политику автоматического масштабирования: сколько GPU поднимать при росте очереди, при каком количестве задач добавлять новые обработчики. Сервис управляет этим без вашего участия после начальной настройки.

4. Получите API-эндпоинт. После создания ComfyRun вы получаете готовый URL, на который можно отправлять запросы из любого приложения. Ответ приходит асинхронно: сначала идентификатор задачи, потом результат по готовности.

5. Интегрируйте в своё приложение. Вызывайте полученный API из вашего кода. Типичная схема:

POST /api/run — отправить задачу с параметрами
GET /api/status/{task_id} — проверить статус
GET /api/result/{task_id} — забрать результат

Очередь, хранение файлов и масштабирование GPU сервис берёт на себя. Вам остаётся только обработать результат на стороне своего приложения.

Что делать с этим прямо сейчас, по ролям

Разработчику пет-проекта или стартапа. Если у вас уже есть работающий ComfyUI workflow и вы хотите дать к нему доступ пользователям, управляемый сервис экономит недели на инфраструктурной работе. ИИ-генерацию изображений бесплатно можно тестировать локально, но для продакшена понадобятся GPU и очереди.

Автору Дзена или контент-маркетологу. Если вы используете генерацию картинок для иллюстраций, разница между «работает у меня на компьютере» и «работает как сервис» критична при масштабировании. Понимание асинхронной архитектуры поможет правильно ставить задачу разработчику.

Предпринимателю в РФ. Evolution ML Inference позиционируется как решение, доступное русскоязычным разработчикам. При выборе управляемого сервиса проверяйте, где расположены GPU и как работает оплата для юрлиц в РФ, эти вопросы автор оригинальной статьи не раскрывает.

Главный вывод: ИИ-генерация изображений перестала быть технической проблемой на стороне модели. Узкое место сместилось в инфраструктуру, и именно там разработчики теряют недели. Если ваша задача не «научиться DevOps», а «дать пользователям картинки», асинхронный API поверх ComfyUI закрывает вопрос за полчаса вместо месяца.