当前位置：首页 > news >正文

UV vs pip vs Conda:Python环境管理应该怎么选

news 2026/6/29 18:33:10

写 Python 够久的话，肯定遇到过一个问题clone 一个仓库，pip install -r requirements.txt却特别慢

其实Python 打包生态已经经发了了很大的便哈， 2025 年有三款截然不同的工具。pip 是老兵，Conda 是数据科学家的主力，uv 则是彻底改写规则的挑战者。

pip：Python 的标准

pip最初的主力工具

pip 自 2011 年起成为 Python 默认包管理器。
从PyPI（Python Package Index）安装软件包，解析依赖关系，支持**_requirements.txt_**文件。
PyPI 是全球最大的 Python 仓库，收录超过50 万个软件包。某个 README 里写着**_pip install it_**，指的就是它。

pip 向 PyPI 发起请求，下载 wheel 包或源码包，按顺序解析依赖树，再将软件包装入当前激活的 Python 环境。它使用回溯解析器（pip 20.3 引入）来寻找有效的依赖集合，但对大型项目而言，这个解析过程可能相当耗时。

# 基本用法 pip install numpy pandas torch # 从 requirements 文件安装 pip install -r requirements.txt # 保存当前环境 pip freeze > requirements.txt # 升级软件包 pip install --upgrade openai # 卸载软件包 pip uninstall package-name

pip 不管理 Python 版本，不自己创建隔离的虚拟环境（需要配合

**_venv_**

或

**_virtualenv_**

使用），也不处理非 Python 的二进制依赖。原生也不生成锁定依赖文件——为此需要

**_pip-tools_**

来生成

**_requirements.lock_**

。

Conda：数据科学家的工具

Conda 由 Anaconda 公司开发，是一个与编程语言无关的包管理和环境管理工具。与 pip 不同，它不局限于 Python 包，还能安装 C 库、CUDA 二进制文件、R 包以及系统级依赖。在数据科学、生物信息学和机器学习（Machine Learning）研究领域，技术栈往往包含针对MKL、CUDA 驱动或编译型 Fortran 代码构建的

**_numpy_**

，Conda 因此不可或缺。

Conda 生态已分化出多个发行版：Anaconda 是包含 1500 多个预装科学软件包的完整发行版；Miniconda 是最小安装版，只有 Conda 和 Python；Mamba 是用 C++ 重新实现的版本，专门针对 Conda 最大的弱点——依赖解析速度慢。

# Conda 核心命令 # 创建指定 Python 版本的环境 conda create -n myenv python=3.11 # 激活环境 conda activate myenv # 从 conda-forge 安装 conda install numpy pandas pytorch # 从指定 channel 安装 conda install -c conda-forge package # 导出环境 conda env export > environment.yml # 从文件重建环境 conda env create -f environment.yml

Conda 使用 channel 作为软件包仓库。默认的 Anaconda channel 属于商业性质，自 2020 年起超过 200 人的组织需要购买许可证。conda-forge是社区驱动的替代方案，收录了 25000 多个软件包且无许可限制——大多数团队默认选择它。

uv：Rust 驱动

uv由 Astral（

ruff

极速 linter 背后的团队）于 2024 年初发布，到 2026 年已迅速成为新 Python 项目的默认选择。完全用 Rust 编写不只是替代 pip——它用一个统一工具同时替代了 pip、virtualenv、pyenv 和 pip-tools，速度比原来快 10 到 100 倍。

uv 是编译好的 Rust 原生代码，安装时没有 Python 解释器的开销。它使用带硬链接的全局包缓存：同一个包在一个项目中安装后，其他项目直接硬链接而非复制。依赖解析器并行运行，采用移植自 PubGrub 的算法（与 Dart 的 pub 相同）并针对 Python 生态做了深度优化。

# uv 替代整个 Python 工作流 # 安装 Python 本身 uv python install 3.12 # 创建带 pyproject.toml 的项目 uv init my-project cd my-project

# 添加依赖（自动管理虚拟环境和锁文件） uv add numpy pandas fastapi # 从锁文件安装（确定性构建） uv sync # 在项目环境中运行 uv run python main.py uv run pytest # 管理 Python 版本 uv python install 3.12 uv python pin 3.11 # pip 兼容模式（直接替换） uv pip install package uv pip install -r requirements.txt # 全局安装 CLI 工具 uv tool install ruff

pyproject.toml 优先

uv 全面拥抱 PEP 517/518 和

**_pyproject.toml_**

作为项目标准。运行

**_uv add_**

时，它会自动更新

**_pyproject.toml_**

中的依赖项并重新生成

**_uv.lock_**

文件——一个跨平台、人类可读的锁文件，记录精确的解析依赖图。可重现构建因此变得轻而易举。

逐项对比

速度基准测试

在包缓存预热的情况下，安装典型的AI/ML 栈（PyTorch、LangChain、FastAPI、Pandas 以及约 50 个传递依赖）：

在生产 CI Pipeline 中，这种差异会成倍放大。一条 Pipeline 每天运行 20 次，每次安装耗时 3 分钟，每天就在包管理上白白烧掉 1 小时计算时间。uv 可以将总时间压缩到 5 分钟以内，节省的是真实的金钱和真实的开发者时间。

对于 Agentic AI 工作流——可能需要启动数十个隔离 Python 环境（每个 agent、每个工具、每次实验各一个）——这种速度差距绝非表面文章，而是 CI Pipeline 4 分钟和 40 分钟之间的本质差别。

如何选择

用 LLM 构建应用时——无论是 agent 框架、RAG Pipeline、工具调用系统还是多 agent 编排——面对的都是快速迭代的依赖环境。

openai

、

anthropic

、

langchain

、

llama-index

、

crewai

都在每周发版。能否在不破坏环境的前提下跟上节奏，是真实存在的工程约束。

uv 的内联脚本依赖（PEP 723）对 Agentic 工作流尤其值得关注：

# agent_runner.py — 自包含的 agentic 脚本 # /// script # requires-python = ">=3.11" # dependencies = [ # "anthropic>=0.30", # "httpx>=0.27", # "pydantic>=2.7", # ] # /// uv run agent_runner.py # 自动创建隔离环境，即刻运行

单个 Python 文件内嵌依赖声明，任何安装了 uv 的人一条命令即可运行——不需要

**_pip install_**

，不需要激活虚拟环境，也不需要读 README 说明。对内部工具、agent 原型和可分享的自动化脚本来说，这是实实在在的体验提升。

对于 AI 工程团队：从 pip 切换到 uv 通常能将 Docker 构建时间缩短 60% 到 80%，加快新成员上手速度，并消除经典的"在我机器上能跑"依赖漂移问题。迁移风险也低——uv 的

pip

子命令几乎可以完全无缝替换。

从 pip 迁移到 uv 比想象中简单

快速迁移指南：pip → uv

最快的路径是先把 uv 当作 pip 的直接替换来用，无需改动任何项目文件：

# 安装软件包 pip install flask uvicorn uv add flask uvicorn # uv 等价命令（写入 pyproject.toml） # 从 requirements 文件安装 pip install -r requirements.txt uv pip install -r requirements.txt # 直接兼容 # 创建并激活环境 python -m venv venv && source venv/bin/activate uv sync # uv 自动创建 .venv 并从锁文件安装 # 运行脚本 python script.py uv run python script.py # 使用项目的托管环境