Python 环境管理终极指南：conda vs venv vs uv，2026 年该怎么选

Python 环境管理终极指南conda vs venv vs uv2026 年该怎么选文章目录 Python 环境管理终极指南conda vs venv vs uv2026 年该怎么选 先说结论2026 年推荐 三者到底是什么为什么会有这么多工具 第一部分venv——Python 内置简单够用是什么完整命令速查什么时候用 venvvenv 的局限 第二部分conda——AI 开发的瑞士军刀是什么完整命令速查conda 的速度问题用 mamba 解决⚡ 第三部分uv——2026 年的新标准是什么安装 uv完整命令速查模式一pip 兼容模式迁移老项目首选模式二项目模式新项目首选Python 版本管理替代 pyenv工具安装替代 pipxuv 的 lock 文件比 requirements.txt 更可靠 第四部分场景决策表一分钟选工具完整对比表 最佳实践conda uv 组合拳AI 开发推荐❌ 常见坑 解决方案坑 1uv venv 后 VSCode 找不到 Python 解释器坑 2uv add torch 装的是 CPU 版坑 3conda 环境在 VSCode 终端里没有自动激活坑 4uv 的严格依赖解析报冲突pip 不报坑 5conda activate 在脚本里不生效 命令速查终极版 最后写在前面做 Python 开发迟早要面对一个灵魂拷问——我该用 conda 还是 venv现在又冒出来个 uv到底什么情况用哪个这篇文章把三者的区别讲清楚给出场景决策表和完整命令速查不废话。建议收藏新建项目前先翻一遍。 先说结论2026 年推荐AI / 数据科学需要 CUDA、R、C 库 → conda管环境 uv管 Python 包 纯 Python 项目Web、工具、脚本 → uv 一把梭不需要其他工具 学校作业 / 临时跑个脚本 → venvPython 内置零配置 维护老项目 / 团队用 pip 的地方 → 先试 uv pip兼容 pip 语法直接替换 三者到底是什么为什么会有这么多工具Python 的环境管理需要解决三件事1. Python 版本管理项目 A 需要 Python 3.10项目 B 需要 Python 3.12 2. 虚拟环境隔离项目 A 和 B 的依赖包互不干扰 3. 包安装与锁定安装快、版本固定、换电脑能复现历史上这三件事由不同的工具分别解决——pyenv管版本virtualenv/venv管环境pip pip-tools管包。结果就是一堆工具互相打架新手一头雾水。三大工具各自的定位工具解决的核心问题不擅长的地方venv虚拟环境隔离Python 内置不管版本不管非 Python 依赖conda管环境 管 Python 版本 管系统级依赖CUDA/C慢体积大uv极速包安装 环境 Python 版本管理一个顶三不管系统级非 Python 依赖 第一部分venv——Python 内置简单够用是什么Python 3.3 自带的虚拟环境工具不需要额外安装。本质是把 Python 解释器和site-packages复制一份到项目目录让每个项目有独立的包空间。完整命令速查# ── 创建环境 ──python-mvenv .venv# 当前目录创建 .venvpython3.11-mvenv .venv# 指定 Python 版本python-mvenv .venv--promptmyproj# 自定义提示符名称# ── 激活/退出 ──source.venv/bin/activate# Linux/Mac.venv\Scripts\activate# Windows CMD.venv\Scripts\Activate.ps1# Windows PowerShelldeactivate# 退出任何系统通用# ── 安装包 ──pipinstallnumpy pandas# 安装pipinstall-rrequirements.txt# 批量安装pip freezerequirements.txt# 导出当前环境# ── 查看信息 ──whichpython# 确认用的是虚拟环境的 Pythonpip list# 查看已安装的包# ── 删除环境 ──rm-rf.venv# Linux/Macrmdir/s /q .venv# Windows什么时候用 venv临时跑个脚本不想装额外工具服务器上的 Python 版本已经符合要求只需要隔离包教学场景不想引入概念复杂度venv 的局限不管 Python 版本需要提前装好对应版本的 Pythonpip 安装慢复杂依赖可能等很久没有锁文件requirements.txt不保证版本完全一致 第二部分conda——AI 开发的瑞士军刀是什么Conda 不只是 Python 的包管理器它能管理任何语言的包和系统级依赖包括 C/C 库、CUDA Toolkit、R 语言包等。这是它在数据科学领域不可替代的根本原因。pip/venv/uv 能装的纯 Python 包.whl 文件 conda 能装的Python 包 C/C 二进制 CUDA R …几乎任何东西推荐用 Miniconda不用 AnacondaAnaconda 预装了 200 包~3GB大多数用不上Miniconda 只有 conda 本身~200MB需要什么装什么。完整命令速查# ── 环境管理 ──conda create-nmyenvpython3.11# 创建环境指定 Python 版本conda create-nmyenvpython3.11numpy pandas# 创建时顺便装包conda activate myenv# 激活conda deactivate# 退出condaenvlist# 列出所有环境conda remove-nmyenv--all# 删除环境# ── 包管理 ──condainstallnumpy# 安装从 defaults 频道condainstall-cconda-forge numpy# 从 conda-forge 频道安装更新更全condainstallpytorch torchvision pytorch-cuda12.8-cpytorch-cnvidia# 装 PyTorchconda update numpy# 更新单个包conda update--all# 更新所有包conda list# 查看已安装的包conda remove numpy# 卸载# ── 环境导出/复现 ──condaenvexportenvironment.yml# 导出含系统依赖跨平台可能失败condaenvexport--from-historyenvironment.yml# 只导出手动安装的包推荐condaenvcreate-fenvironment.yml# 从文件复现环境# ── 频道配置加速国内访问──conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config--setshow_channel_urlsyes# ── 清理缓存 ──conda clean--all# 清理所有缓存释放磁盘空间conda 的速度问题用 mamba 解决conda 的依赖解析确实慢解决方案是用mamba——conda 的 C 重写版速度快 10-50 倍# 安装 mamba在 base 环境condainstall-cconda-forge mamba# 之后把所有 conda 命令换成 mambamamba create-nmyenvpython3.11mambainstallnumpy pandas# 其余语法完全相同或者直接用Miniforge预装了 mamba 的 Miniconda 替代品# Linux/Macwgethttps://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.shbashMiniforge3-Linux-x86_64.sh# Windows下载 Miniforge3-Windows-x86_64.exe⚡ 第三部分uv——2026 年的新标准是什么uv 是由 Astral 团队用Rust编写的 Python 包管理器2024 年发布到 2026 年 4 月月下载量已超过7500 万次超过了 Poetry。它的核心优势是快——非常快。Real Python 实测数据任务pipuv倍数安装 JupyterLab21.4 秒2.6 秒8x安装 requirements.txt~10 秒~2.2 秒~5x冷启动有缓存10 秒1 秒以内10xuv 快的原因并行下载同时下载所有依赖不像 pip 串行全局缓存相同版本的包只下载一次跨项目共享Rust 实现依赖解析算法比 Python 实现的 pip 快几个数量级uv 能替代的工具pip virtualenv pyenv pip-tools——一个工具顶四个。安装 uv# Linux / macOScurl-LsSfhttps://astral.sh/uv/install.sh|sh# Windows PowerShellpowershell-ExecutionPolicyByPass-cirm https://astral.sh/uv/install.ps1 | iex# 或者用 pip不推荐会少一些功能pipinstalluv# 验证安装uv--version# 输出如uv 0.5.x完整命令速查模式一pip 兼容模式迁移老项目首选# 创建虚拟环境uv venv# 创建 .venv使用系统默认 Pythonuv venv--python3.12# 指定 Python 版本自动下载uv venv--python3.11myenv# 指定目录名# 激活和 venv 一样source.venv/bin/activate# Linux/Mac.venv\Scripts\activate# Windows# 安装包和 pip 语法相同但更快uv pipinstallnumpy pandas# 安装uv pipinstall-rrequirements.txt# 批量安装uv pipinstalltorch2.6.0--index-url https://download.pytorch.org/whl/cu128 uv pipinstall-e.# 可编辑安装uv pip uninstall numpy# 卸载uv pip list# 查看已安装uv pip freeze# 导出 requirements 格式模式二项目模式新项目首选uv 的项目模式类似 Node.js 的 npm有完整的项目生命周期管理# 初始化新项目uv init myproject# 创建项目目录和 pyproject.tomlcdmyproject# 添加/删除依赖uvaddnumpy pandas# 添加依赖自动写入 pyproject.tomluvaddflask3.0.0# 指定版本范围uvaddtorch --extra-index-url https://download.pytorch.org/whl/cu128 uvaddpytest--dev# 添加开发依赖uv remove numpy# 删除依赖# 同步环境根据 pyproject.toml 和 uv.lock 安装uvsync# 安装所有依赖uvsync--no-dev# 只装生产依赖# 运行命令无需手动激活环境uv run python main.py# 在项目环境里运行uv run pytest# 运行测试uv run jupyter notebook# 启动 JupyterPython 版本管理替代 pyenv# 查看可用的 Python 版本uv python list# 安装指定版本自动下载无需 pyenvuv pythoninstall3.11uv pythoninstall3.12uv pythoninstall3.103.113.12# 批量安装# 查看已安装的版本uv python list --only-installed# 为项目固定 Python 版本uv python pin3.11# 创建 .python-version 文件工具安装替代 pipx# 安装全局命令行工具不污染项目环境uv toolinstallblack# 安装代码格式化工具uv toolinstallruff# 安装 linteruv toolinstallhttpie# 安装 HTTP 客户端uv tool list# 查看已安装的工具uv tool upgrade black# 升级工具uv tool uninstall black# 卸载工具# 临时运行工具不安装用完即走uvx black myfile.py# 等价于 uv tool run blackuvx ruff check.uvx jupyterlab# 临时启动 JupyterLabuv 的 lock 文件比 requirements.txt 更可靠# uv.lock 是 uv 自动维护的精确锁定文件# 记录每个包的版本和哈希值保证在任何机器上 uv sync 结果完全一致catuv.lock# 类似# [[package]]# name numpy# version 2.0.1# source { registry https://pypi.org/simple }# wheels [{ url ..., hash sha256:... }]# 上传到 Git团队成员 clone 后直接 uv sync 即可复现完全相同的环境 第四部分场景决策表一分钟选工具你是做什么的 │ ├── AI / 机器学习 / 深度学习 │ │ │ ├── 需要 CUDA / cuDNN / NCCL 等系统级依赖 │ │ → conda (环境) uv pip (Python 包) │ │ 或 conda 管一切 │ │ │ └── 只用 PyTorch/JAX不需要管 CUDA │ → uv 一把梭PyTorch pip 安装支持 CUDA │ ├── Web 开发 / API 开发 │ → uv 项目模式uv init uv add │ ├── 数据科学 / Jupyter │ → uvuvx jupyterlab 直接跑 │ → 或 conda如果需要 R 语言或非 Python 依赖 │ ├── 维护老项目 │ → uv pip兼容 pip 语法直接替换 │ └── 教学 / 临时脚本 → venv内置零依赖完整对比表维度venvcondauv安装速度慢依赖 pip中mamba 快极快10-100xPython 版本管理❌ 不支持✅ 支持✅ 支持自动下载系统级依赖CUDA 等❌✅❌锁文件需手动requirements.txtenvironment.yml不精确uv.lock精确磁盘占用小大每环境独立小全局缓存共享是否内置✅ Python 内置❌ 需要安装❌ 需要安装学习成本低中低兼容 pip 语法跨平台一致性一般好好lock 文件2026 活跃度维护状态活跃高速成长 最佳实践conda uv 组合拳AI 开发推荐这是 2026 年数据科学领域的最佳实践conda 负责管理 Python 版本和系统级依赖uv 负责管理 Python 包。# Step 1用 conda 创建基础环境装系统依赖conda create-nai-projectpython3.11conda activate ai-project# Step 2用 conda 装系统级依赖CUDA Toolkit 等condainstallpytorch-cuda12.8-cpytorch-cnvidia# 装 CUDA 相关组件# Step 3用 uv pip 装 Python 包速度快得多uv pipinstalltorch torchvision --index-url https://download.pytorch.org/whl/cu128 uv pipinstallnumpy pandas scikit-learn transformers uv pipinstalllangchain langsmith openai anthropic# 这样你就获得了# conda 的系统依赖管理能力 uv 的极速安装❌ 常见坑 解决方案坑 1uv venv后 VSCode 找不到 Python 解释器# 告诉 VSCode 虚拟环境在哪# 按 CtrlShiftP → Python: Select Interpreter → 选 .venv 里的 Python# 或者在 .vscode/settings.json 里配置{python.defaultInterpreterPath:${workspaceFolder}/.venv/bin/python}坑 2uv add torch装的是 CPU 版# PyTorch 需要指定 extra index URLuvaddtorch --extra-index-url https://download.pytorch.org/whl/cu128# 或在 pyproject.toml 里配置[tool.uv.sources]torch{urlhttps://download.pytorch.org/whl/cu128}坑 3conda 环境在 VSCode 终端里没有自动激活# 在 VSCode 设置里开启# Settings → Terminal Integrated Inherit Env → 开启# 或者在 ~/.bashrc / ~/.zshrc 里确认有 conda init 的内容conda initbash# 或 zsh坑 4uv 的严格依赖解析报冲突pip 不报# uv 比 pip 严格会拒绝有真实冲突的依赖# 先看冲突信息uv pipinstallpackage--verbose# 尝试方案# 1. 指定兼容版本uv pipinstallpackageA1.0,2.0packageB3.0# 2. 实在解决不了临时用 pippipinstallpackage# uv 创建的 .venv 完全兼容 pip坑 5conda activate在脚本里不生效# 在 bash 脚本里激活 conda 环境source~/miniconda3/etc/profile.d/conda.sh# 先 source conda 初始化脚本conda activate myenv python your_script.py 命令速查终极版# venv python-mvenv .venv# 创建source.venv/bin/activate# 激活Mac/Linux.venv\Scripts\activate# 激活Windowsdeactivate# 退出pipinstallpackage# 装包# conda conda create-nenvpython3.11# 创建conda activateenv# 激活conda deactivate# 退出condainstallpackage# 装包conda 频道condainstall-cconda-forge package# 装包forge 频道更全pipinstallpackage# 装包PyPIcondaenvexport--from-historyenv.yml# 导出condaenvcreate-fenv.yml# 从文件复现# uv uv venv# 创建 .venvuv venv--python3.12# 指定版本source.venv/bin/activate# 激活同 venvuv pipinstallpackage# 装包pip 兼容模式uv pipinstall-rrequirements.txt# 批量装uv init myproject# 新建项目uvaddpackage# 添加依赖uv remove package# 删除依赖uvsync# 同步环境uv run python script.py# 运行不需要手动激活uv pythoninstall3.12# 安装 Python 版本uv toolinstallblack# 安装全局工具uvx black file.py# 临时运行工具 最后如果这篇帮你搞清楚了三大工具的区别和选择点赞让更多被环境管理折磨过的同学看到⭐收藏新建项目前翻出来对照速查表评论参与投票说说你的选择和理由关注持续更新 AI 开发实战一个正在学 AI 的大学生 ‍参考资料uv 官方文档docs.astral.sh/uvReal Pythonuv: The Fastest Python Package Manager(2025)heyuan110.com《uv 完全指南一个工具干掉 pip conda pyenv》(2026.04)菜鸟教程uv 入门教程