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。pipPython 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PyPIPython 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-namepip 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 PythonMamba 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 python3.11 # 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.ymlConda 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。uvRust 驱动uv由 Astralruff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 ruffpyproject.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 [ # anthropic0.30, # httpx0.27, # pydantic2.7, # ] # /// 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总结该用哪个以下细分建议保留 Conda 的场景确实需要它时——GPU/CUDA 库管理、包含非 Python 依赖的生物信息学或科学计算或团队深度绑定 Anaconda 生态。如果留在 Conda 体系内Mamba 可以显著提升解析速度。pip 随 Python 一起发布对于快速临时脚本或无法安装额外工具的环境它依然完全够用。但对于任何在意可维护性和可重现性的项目请选择 uv。https://avoid.overfit.cn/post/723891f47b3a4361bb0ef9d6e7d53c02作者Uday Sharma