Portable-Diffusion
零配置本地 AI 图像生成工具，100% 离线运行，支持 NVIDIA CUDA / AMD ROCm / Apple Metal 多硬件自动适配。
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
零配置本地 AI 图像生成工具，100% 离线运行，支持 NVIDIA CUDA / AMD ROCm / Apple Metal 多硬件自动适配。
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
如果你曾经尝试过在本地部署 Stable Diffusion，大概率经历过这样的噩梦：安装 Python 环境、解决 CUDA 兼容性问题、编译 PyTorch 扩展、手动配置模型路径……等终于跑起来，一个下午已经过去了。
Portable-Diffusion 正是为解决这个痛点而生。这个由独立开发者 techjarves 创建的项目，将整个 Stable Diffusion 运行环境和 Web 管理界面打包成可移植的一站式工具——双击运行，无须配置，无须联网。
⚠️ 重要提示：该项目已于 2026 年 6 月正式 Deprecated（废弃），所有活跃开发已迁移至新项目 Uncensored-Local-Studio。本分析基于 Portable-Diffusion 最后版本，覆盖其技术架构和部署实践，对学习和参考仍有价值。
Portable-Diffusion 是一个零配置本地 AI 图像生成工具，支持 Windows、Linux 和 macOS 三大桌面平台。项目使用 JavaScript/TypeScript 构建前端管理界面，底层推理引擎基于 C++ 编写的 stable-diffusion.cpp（GGML/GGUF 格式），兼顾跨平台兼容性和推理效率。
核心技术指标：
image-generation offline-ai stable-diffusion-gui text-to-image项目的架构分为清晰的三个层次：
第一层——平台启动器（linux.sh / mac.sh / windows.bat）：平台入口脚本，负责检测操作系统、分发到对应平台脚本。设计上充分考虑了跨平台兼容性，Shell 脚本用 set -euo pipefail 保证可靠性，Windows 批处理则处理路径兼容性问题。
第二层——Node.js Web 服务层（serve.cjs）：这是一个用 CommonJS 编写的轻量 HTTP 服务器，负责两件事：
app/dist/）spawn 启动 sd-cuda.exe / sd-vulkan.exe 等二进制）前后端通过 HTTP REST API 通信，前端发送生成请求到后端端口（默认 8080），后端返回 base64 编码的图片数据。这种架构使得前后端完全解耦，后端可以用任何语言实现。
第三层——推理引擎（stable-diffusion.cpp）：预编译的 C++ 二进制文件，按平台和硬件类型分发：
sd-cuda.exe（NVIDIA）、sd-vulkan.exe（AMD/Intel）、sd-cpu.exe（CPU 回退）sd-server-cuda / sd-server-rocm / sd-server-vulkan / sd-server-cpusd（Apple Silicon Metal 加速）项目最具价值的设计之一是启动时自动硬件检测。serve.cjs 在初始化时执行 nvidia-smi（NVIDIA）、rocm-smi（AMD）等命令探测可用硬件，自动选择最优后端二进制。用户完全无需关心底层差异。
与传统的 pip 安装不同，本项目通过 setup 脚本（setup.sh / setup.ps1）下载预编译的便携版 Node.js（包含在 app/tools/node-*/ 目录内），真正做到：
setup 脚本的核心逻辑包括：
SD_RELEASE=master-685-19bdfe2）项目内置模型管理器，支持两种加载方式：
.safetensors 权重.safetensors、.gguf、.ckpt 文件放入 app/models/ 目录权重文件不纳入 Git 版本控制（.gitignore 中已排除），节省仓库体积。
UI 内嵌性能面板，通过 os 模块定期采集系统指标，推送至前端实时渲染。显示 CPU 使用率、内存占用、GPU 利用率和显存（VRAM）使用量——这对调优生成参数非常有帮助。
生成图片保存在 app/outputs/ 目录，每张图附带同名的 .json 文件，记录完整生成参数（模型路径、提示词、步数、采样器、CFG、种子等），便于复现和参数调优。
| 维度 | 评估 |
|---|---|
| 安装难度 | 极低（双击脚本即可，首次自动下载运行时） |
| 硬件门槛 | 中等（需要独立 GPU，NVIDIA RTX 2060+ / AMD RX 6700+ 推荐） |
| 离线可用性 | ✅ 完全离线，无任何外部依赖 |
| 隐私性 | ✅ 所有数据本地处理，无上传 |
| 上手文档 | 完整 README + YouTube 视频教程 |
相比 WebUI（如 AUTOMATIC1111）或 ComfyUI，Portable-Diffusion 的优势在于零配置——不需要用户理解 Python 环境、CUDA 版本或模型格式。劣势则是功能深度有限，不适合需要复杂工作流的进阶用户。
项目已于 2026 年 6 月正式废弃，作者在 README 顶部明确标注并引导用户访问新仓库 Uncensored-Local-Studio。新项目应该会继承 Portable-Diffusion 的零配置理念并修复已知问题。
对于想要学习或部署的用户：
Portable-Diffusion 代表了一种有价值的工程思路：将 AI 推理工具的复杂度封装到底层，用简化的前端降低使用门槛。其核心贡献不在于模型本身，而在于构建了一个真正可移植、无依赖的完整运行环境。对于希望在教育、办公等场景中安全部署 AI 生图能力的团队，这个思路值得借鉴。