ARTICLE · 1139429
5句话我让AI助手部署了FreeVideo镜像,再也不用等靠要别人的啦
核心一句
部署一个 53 GB 的模型，我全程只说了 五句话。真正的加速发生在「换一条路」这个判断上，而那个判断是人给的。
图 01 · 封面：这条流水线的全貌
上周想跑 FreeVideo —— 一个把 MiniMax H3 视频模型接进 ComfyUI 的插件。手里没有显卡，于是去仙宫云租了一台云 GPU：RTX 4090 D、24 GB 显存、112 GB 磁盘。
但从「一台空服务器」到「能出片」，中间隔着三十多个动作：连 SSH、确认 Python 版本、装插件、补依赖、编译 GPU 加速库、下载 53 GB 模型、逐个校验 sha256、跑端到端测试。对没碰过 Linux 的人来说，任何一步都可能卡一晚上。
这次我一步都没自己动手。全程由 AI 助手（ZCode，也可以用其他的哦）通过 SSH 操作那台服务器，我只负责说人话。总耗时 3 小时 13 分钟，其中 2 小时在下载模型。下面把完整对话按时间顺序贴出来，告诉你 哪几句该说、说了之后会发生什么、以及哪三步最容易翻车。
本文看点
01
五句话跑完部署
02
提速 20 倍的换源思路
03
三个必踩的坑
01
WHAT ARE WE DOING
先说清楚：这件事到底在干什么
先把名词对上号，后面就不绕了。
ABOUT THE SCREENSHOTS
下面所有对话截图，是按当时的真实对话逐字还原的界面图，不是屏幕翻拍。服务器地址、端口、密码已做打码处理。
然后是分工。这件事最容易失败的地方，是让零基础的人以为三十多个动作都得自己敲。
02
BEFORE YOU START
开工前：你只需要准备三样东西
你来做 01开一台云 GPU 实例
在仙宫云控制台新建实例，选带 RTX 4090 的机型，系统镜像选预装 ComfyUI 的那类。
仙宫云地址：
www.xiangongyun.com/register/XLVYLW
开机后记下控制台给的 SSH 连接信息：地址、端口、密码。
你来做 02抄下 SSH 连接信息
实例详情页会有「SSH 连接」一栏，通常长这样：
ssh -p 端口 root@xxxxx.ssh.x-gpu.com，另附一个随机密码。
这一栏是三段信息：端口、地址、密码，等下要一次性发给 AI。
你来做 03准备一个能执行命令的 AI 助手
ZCode 这类本地编程助手都可以。关键是它要能在你的电脑上真正执行命令，而不是只能聊天——因为连服务器、传文件、盯日志都靠它。
如果你用的助手还需要额外装 Python 的 SSH 库，让它自己装就行，不用你管。
磁盘配额要 ≥ 100 GB。这套模型解压后峰值会占掉 92.7 GB，低于 100 GB 很容易在下载到一半时炸盘，前功尽弃。
03
PHRASE 01
第一句话：把服务器交给 AI
第一句话最简单：把刚才抄下来的 SSH 连接信息整段发给 AI。
你来做 04把服务器交给 AI
把三段信息拼成一句话发过去即可。地址和端口在控制台复制，密码也一并贴上——但只发给你自己电脑上的这个助手。
照抄这句，发给你的 AI 助手
ssh 连接服务器 ssh -p 【端口】 root@【SSH地址】 密码【密码】
AI 来做拿到这句话之后
发现 Windows 上没有 sshpass，改用 Python 的 paramiko 建立非交互连接，并在你电脑上写了一个 .ssh_helper.py 辅助脚本（里面存着连接信息，注意保管）。
连上后先不急着装东西，而是摸清环境：GPU 型号与显存、CPU 与内存、磁盘余量、已经在跑的服务与端口。
图 02 · 把 SSH 连接信息发给 AI
第一条消息发出去，AI 先解决「怎么非交互登录」，再摸环境。
图 03 · AI 交回的环境汇报
GPU、内存、磁盘、已运行服务一次说清，你能提前判断这台机器够不够用。
密码只发给你自己电脑上的 AI 助手。不要贴进公开的群聊、网页、截图，或任何会被外传的地方。本文所有截图里的地址、端口、密码都做了打码。
04
PHRASE 02
第二句话：让它装 FreeVideo
第二句话是一个 GitHub 地址。剩下的判断它自己做。
你来做 05把项目地址发过去
不需要写任何安装命令。助手会自己去读项目的安装脚本和依赖约束。
照抄这句，发给你的 AI 助手
在服务器上配置这个项目 https://github.com/FlashML-org/FreeVideo.git
AI 来做AI 接下来做的事
把仓库克隆到 /root/FreeVideo，先读项目要求——引擎要求 Python ≥3.12 且小于 3.13。
确认服务器的 conda 环境是 Python 3.12.13 + torch 2.13.0+cu132，与插件锁定的版本完全一致。
把仓库挪进 ComfyUI 的 custom_nodes 目录，跑插件自带的 check_installation.py，只补缺失的 5 个纯 Python 包。
重启 ComfyUI，确认 6 个 FreeVideo 节点全部注册成功。
图 04 · 把项目地址发过去
一句话加一个链接，剩下的交给助手。
图 05 · 版本体检：完全吻合
Python 与 torch 的版本逐项对上，说明这台机器的镜像就是为这个插件准备的。
图 06 · 装成 ComfyUI 节点
自检 40 项通过、补齐依赖、重启后节点注册成功。
为什么强调「只补缺失项」
直接把插件的依赖清单全量装一遍，很可能把 torch 和一堆 CUDA 相关的 nvidia 包降级或覆盖，轻则变慢，重则驱动失联、ComfyUI 直接起不来。先自检、只补缺的，是这类 ComfyUI 插件唯一安全的装法。
05
PHRASE 03 & 04
第三、四句话：换镜像，走平台指令
到了下载环节，速度就成了唯一的问题。这时候第三、第四句话最关键。
你来做 06告诉它换个镜像
插件默认走公共镜像，单连接只有 1-5 MiB/s。云厂商自己的 HuggingFace 镜像通常快一个数量级。
照抄这句，发给你的 AI 助手
hf 镜像换成 hf.x-gpu.com 快很多
AI 来做这句话带来的连锁反应
在插件源码里找到镜像入口：HF_ENDPOINT 环境变量会被注册成「user」自定义源，auto 模式下参与测速排名。
停掉当前下载，带上新镜像的环境变量重新拉起。
你来做 07告诉它重启走平台指令
这句不是给插件说的，是给云平台说的——云平台的「任务」重启和手动敲命令重启，走的不是一条路。
照抄这句，发给你的 AI 助手
服务器 comfyui 的重启用的是 task 指令
AI 来做顺着这句话找到的东西
平台自带的管理脚本在 /scripts/start.d/comfyui.sh，它才是平台侧「任务」重启时真正执行的脚本。以后所有重启都走它，不再手写命令。
图 07 · 首次跑安装器：52.7 GiB 模型
正式启动前，安装器会先把下载量、磁盘峰值、内存峰值算给你看。
图 08 · 换镜像这句话
一句话换来一个数量级的提速，是整篇里最便宜的操作。
图 09 · 找到平台自己的启动脚本
重启不是随便敲命令，要走平台管理的脚本。
换镜像后第一次续传会失败——已经下了一半的分片来自旧镜像，新镜像无法接着传。按安装器自己的提示加 --allow-model-restart，允许丢弃不完整分片、从快镜像重新下载即可。
06
PHRASE 05
第五句话：直接 wget 拉模型
第四句话看起来只是个经验分享，其实是整套流程里性价比最高的一句。
你来做 08建议它直接 wget
你在别的项目里见过：官方下载器限速的时候，直接用 wget 拉镜像链接反而能跑满带宽。
照抄这句，发给你的 AI 助手
我实践发现直接 wget hf 镜像链接很快，要不试试
顺着这句话，助手去读了插件的 provision 模块，发现一个官方留好的口子：只要目标路径的文件已经存在，插件就只做 sha256 校验并标记完成，不会重复下载。也就是说，你可以用任何工具把文件搬到正确的位置，安装器照样认。
AI 来做于是它这样干
用插件自己的代码生成文件清单：总共 1201 个文件，921 个已就位，缺 280 个。
生成直连镜像的 URL 列表，先抽 3 条验证链接可用。
写一个 6 路并行的 wget 脚本（断点续传、失败重试 5 次），丢到后台跑。
下面是那个批量下载脚本，核心就是这个 xargs：
xargs -a /tmp/wget_urls.txt -d '\n' -P 6 -I{} bash -c '
line="$0"; u="${line%%|*}"; p="${line#*|}"
mkdir -p "$(dirname "$p")"
for i in 1 2 3 4 5; do
wget -c -q --tries=3 --timeout=90 -O "$p.part" "$u" \
&& { mv "$p.part" "$p"; echo "OK $p"; exit 0; }
sleep 3
done
echo "FAIL $u"
'
110 MB/s
6 路并行直连镜像，对比内置下载器的 1-5 MiB/s，约 20 倍
图 10 · wget 方案：先算清单
1201 个文件里 921 个已就位，真正缺的只有 280 个。
图 11 · 六路并行，110 MB/s
90 秒拉完 201 个小文件，剩下的是几个大分片。
07
NO ACTION NEEDED
剩下的活全在 AI 手上
NO ACTION NEEDED
本章你没有动作
从「下载完成」到「能出片」还有四道关，这四道关不需要你说话，但值得你知道它们在干什么——出问题时你能听懂是在哪一关出的。
全量校验 —— 274 个 OK，6 个损坏——wget 下载的个别分片被截断了，文件大小短了一截。
重下坏文件 —— 删掉 6 个不完整分片重新拉，再验一遍，280/280 全部通过。
装完引擎 —— setup 15/15 complete，GPU 加速库编译通过，接口报 ready: true。
端到端测试 —— 5 个用例真的在 GPU 上出片：1344×768、243 帧，GPU 峰值 14 GiB。
三个只有踩过才知道的坑
坑 1 · 两条命令都不要写在一起
pkill -f 关键字 的匹配串如果出现在同一条命令行里，它会把自己所在的 shell 一起杀掉。拆成两步执行就好。
坑 2 · 测试失败不是模型的问题
第一次跑端到端测试 5 个用例全挂。原因不是模型，而是子进程环境里没有 HF_ENDPOINT，引擎在生成时要下载一个附件，直接抛错。把环境变量持久化即可。
坑 3 · 环境变量写进去了，进程里却没有
Ubuntu 的 .bashrc 对非交互 shell 有 return 守卫，写在里面等于没写；要放到 /etc/profile.d/ 才生效。另一个细节：查进程时 pgrep 会先匹配到 screen 的包装进程，要看真正的 Python 进程，得按完整命令行匹配。
图 12 · 校验发现 6 个坏文件
下载完成不等于正确，sha256 逐个过一遍才敢用。
图 13 · setup 15/15 完成
引擎装好，接口报 ready，可以出片了。
图 14 · 端到端测试 5/5 通过
失败过一次，定位到是环境变量的问题，修完再跑全通过。
图 15 · 让环境变量真正生效
写对文件、再用完整命令行定位真正的进程，才算收工。
图 16 · 全绿收工
插件、引擎、模型、测试四项全绿，磁盘还剩 37 GB。
08
HOW TO USE
装好之后怎么用
装完之后，用起来只有一步。
你来做 09打开 ComfyUI 界面
浏览器访问服务器的 8188 端口，在模板里找 FreeVideo。
路径：Workflow → Browse Templates → FreeVideo → FreeVideo-All-in-One。
如果你更习惯命令行，也可以直接跑：
cd /root/ComfyUI/custom_nodes/FreeVideo
./freevideo generate --prompt-file prompt.txt --out video.mp4
LICENSE
模型权重使用 MiniMax H3 Community License，安装时随 --accept-model-license 接受，含地域与用途限制条款。商用前请自行确认。
服务器不用的时候记得关机。云 GPU 是按小时计费的电表，模型下载完就一直躺在磁盘上，下次开机还是这套环境。
∞
EPILOGUE
结语
回头看，这套流程里 AI 真正省下的是「知道下一步该敲什么」。而它没省下、也省不了的是「这条路太慢了，换一条」这种判断。换镜像、直连下载、走平台脚本——这三句话把下载从「一晚上」压到 50 分钟，它们不是 AI 想出来的，是在别的项目里踩出来的。
把复杂的事情拆给对的人做，比把自己练成全能的人更快。
下次直接抄这五句
① ssh 连接服务器 ssh -p 【端口】 root@【SSH地址】 密码【密码】 ② 在服务器上配置这个项目 【GitHub 地址】 ③ hf 镜像换成 【你的镜像地址】 快很多 ④ 服务器 comfyui 的重启用的是 task 指令 ⑤ 我实践发现直接 wget 镜像链接很快，要不试试
如果你的服务器也卡在下载，先别急着怪网速。看看能不能换源、能不能绕过限速、能不能把文件从别的路搬进去——这三件事想清楚，剩下的都是体力活。
如果这篇对你有帮助，欢迎点赞、在看、转发三连，我们下篇见。