conda和uv 常用命令

发表于 更新于 分类于

uv命令

conda命令

  • 创建虚拟环境
1
conda create -n your_env_name python=x.x anaconda

最后的anaconda可选，有的话，会安装很多包，numpy、sklearn等等

  • 激活
1
source activate your_env_name
  • 安装包
1
conda install -n your_env_name [package]
  • 不激活
1
source deactivate
  • 已经有的虚拟环境
1
conda env list
  • 删除虚拟环境
1
conda remove -n your_env_list -all
  • 检查conda是否安装
1
conda -v
  • 更新conda
1
conda update conda

为什么要用uv

Python 项目管理从传统的 pip 演进到 Conda 或 UV 等现代工具，主要围绕解决环境隔离、依赖冲突、以及依赖关系的可维护性等痛点展开。

以下是基于提供的资料，梳理的 Python 项目管理现代化的演进过程和主要流派：

传统的 pip 安装和环境冲突 (早期的痛点)

Python 在诞生之初，并未考虑工程结构的问题，导致早期的管理相当“放自我”。官方的 pip 规范一直在努力打补丁。

  1. 全局环境与冲突： 在项目初期，使用 pip install flask 等命令会将库安装到一个全局环境中，被计算机上所有 Python 项目共享。
  2. 版本冲突： 这种共享机制带来棘手的问题，例如一个新项目可能需要 Flask 3.11，而另一个旧项目可能只兼容 3.0，导致全局升级后旧项目无法运行。
  3. 依赖地狱： 库通常依赖其他几个库，这些库又有各自的依赖，层层嵌套会引发更多的版本冲突，即所谓的“依赖地狱”。

演进的第一步：环境隔离 (Venv)

为了解决版本和依赖冲突，设计出了虚拟环境（Virtual Environment）。

  1. Venv 的作用： 虚拟环境为每个项目创建了一个独立、干净的 Python 工作空间。
  2. 创建与激活： 可以使用 python -m venv .venv 命令创建虚拟环境。激活环境后，再使用 pip 安装库，这些库就会被安装到该项目的虚拟文件夹中，从而避免冲突。
  3. 背后的原理： 虚拟环境主要通过修改 Python 中的 sys.path 变量来实现。激活环境后，虚拟目录会被添加到这个搜索列表里，确保 Python 在导入模块时能够成功加载安装在虚拟环境路径中的库。

演进的第二步：依赖共享与配置 (requirements.txt 到 pyproject.toml)

解决了环境隔离后，新的问题是如何方便准确地将项目的依赖列表分享给其他人，以便复现环境。

1. requirements.txt (早期主流做法)

  • 做法： 早期最主流的做法是使用 pip freeze 命令，将当前虚拟环境中所有已安装包及其确切版本号输出到一个文件，通常命名为 requirements.txt。接收方只需执行 pip install -r requirements.txt 即可安装依赖。
  • 重大缺陷： pip freeze 无法区分项目真正需要的直接依赖（Direct Dependency）和这些直接依赖引入的间接依赖（Indirect Dependency）。如果项目复杂，情况很快会失控。
  • 孤儿依赖： pip 在卸载包时也无法很好地处理依赖关系。如果卸载了某个包（如 Flask），那些因为 Flask 而被安装的间接依赖仍会留在环境中，成为无人管理的孤儿依赖。

2. pyproject.toml (现代标准解决方案)

现代 Python 项目的标准解决方案是使用 pyproject.toml 文件。

  • 统一配置： pyproject.toml 是官方指定的统一配置文件。在此之前，不同的开发工具（如类型检查器 mypy、测试框架 pytest）通常使用各自独立的配置文件，导致根目录下配置零散。如今，绝大多数主流工具都支持了 pyproject.toml。
  • 仅声明直接依赖： 在 pyproject.toml 中，开发者只需在 dependencies 列表中声明项目的直接依赖即可。如果将来要删除某个依赖，只需删除配置文件中对应的一行，就不会留下任何孤儿依赖。
  • 安装复杂性： 依赖写好后，可以使用 pip install . 命令来安装。这条命令在背后做了两件事：首先是构建，将当前项目打包成标准 Python 软件包；其次是安装，自动把所有声明的依赖一并安装进来。
  • 开发模式（Editable Mode）： 在开发阶段，为了避免源代码被复制到虚拟环境中的 site-packages 目录导致代码修改无法同步，通常需要加上 -e 参数，使用 pip install -e . 进行可编辑安装。

演进的第三步：高级项目管理工具 (UV, Poetry)

纯手工维护 pyproject.toml 的流程存在痛点，例如无法再用简单的 pip install 命令添加新依赖，每次添加都需要手动查找名称和版本号并编辑配置，过程繁琐且容易出错。

  1. 诞生原因： 社区为解决这一痛点，催生了像 UV 和 Poetry 这样的高层项目管理工具。
  2. 高级封装： 这些第三方工具可以被理解为对 venv 和 pip 的高级封装。它们在底层仍使用 venv 和 pip，但提供了更简单、更统一的接口。
  3. UV 示例： 使用 UV，只需执行 uv add flask 一条命令，就能自动修改 pyproject.toml（添加依赖声明）、自动创建 venv 虚拟环境，并将该包及其所有间接依赖安装到环境中。协作者只需执行 uv sync，即可自动读取配置文件、搭建环境并安装所有依赖。
  4. 运行简化： UV 还提供了 uv run 命令，可以在虚拟环境的上下文中执行命令，无需手动激活环境。

独立流派：Conda 宇宙

与官方 Python 体系并行的是 Conda 宇宙，这是一个从设计之初就考虑周全的跨语言开发平台。

  1. 独立的生态： Conda 最早由 Anaconda 公司提供，现在免费版 MiniConda 等使用更广泛，像 Pixi 也是这个生态的一部分。Conda 体系在底层上与官方 Python 走的不是一条路，它有自己的配置文件、软件仓库，甚至连 Python 解释器都是自己编译的。
  2. 跨语言支持： Conda 不只支持 Python，还支持 Go、Rust、C++、R 等各种语言。因此，它更像一个独立的跨语言开发平台。
  3. 设计优势： Conda 从设计之初就将多语言支持、依赖管理和虚拟环境等问题用一套统一的方案解决了。
  4. AI 领域的体现： Conda 的优势在 AI 领域尤为明显，因为 AI 框架的依赖出了名的复杂，经常需要与 NVIDIA 的 CUDA 这种非 Python 库打交道。使用 Conda 安装深度学习框架通常是最省心、最不容易出错的选择。