Python 环境怎么搭？学术选 conda、企业选 uv、新潮选 pixi

动手之前，先立两条准则：

• 核心准则：用着顺手、敲着愉悦
• 延伸准则：尽量少码字、省力

一句话：环境管理工具不是越多越好，而是选一个顺手的，把它用到极致。

---

目录

1. 为什么 Python 需要"环境管理"
2. 开发环境全景
3. conda —— 学术与数据科学的首选
4. uv —— 企业级工程化的首选
5. pixi —— 科学与工程兼得的"新物种"
6. 三选一：决策指南与对比
7. 同一任务，三种工具的实操对照
8. 配套环境：终端 + IDE + AI
9. 总结

---

一、为什么 Python 需要"环境管理"

Python 生态最大的痛点不是语言本身，而是依赖管理：

• 项目 A 要 numpy==1.24，项目 B 要 numpy==2.0，装在一起就冲突（著名的"依赖地狱"）；
• 深度学习项目还要装 CUDA 版 PyTorch，跟系统 Python 纠缠不清；
• 换一台电脑 / 换同事的电脑，环境还原要半天。

于是有了"环境"（Environment）的概念：把 Python 解释器 + 依赖包 + 非 Python 的库（如 CUDA、MKL、BLAS）打包成一个个彼此隔离的独立空间，项目与项目之间互不干扰，删了重建也毫无负担。

目前主流的三种方案，恰好对应三种人群：

工具	出身	气质	典型用户
conda	Anaconda 公司，2012 年	老牌、全面、科学计算生态	学生、科研人员、数据科学家
uv	Astral（Ruff 团队），2024 年	极速、现代、工程化	企业开发者、团队协作、CI/CD
pixi	prefix.dev 公司，2023 年	conda 生态 + 工程化锁文件	需要 conda 生态又想要工程体验的人

---

二、开发环境全景

一个完整的"开发环境"通常拆成四层，环境管理只是其中一层，但它是地基：

打造自己的开发环境
├── 终端环境（20）      —— 命令行日常
├── IDE 环境（14）      —— VSCode / Cursor
├── AI 环境             —— 每人必须有一款熟练使用的 AI 工具
└── Python 环境（25）   —— 本文主角：conda / uv / pixi

其中 AI 环境部分值得单列（第 8 节细讲），核心结论是——“每个人必须要有一款熟练使用的 AI 工具”，并推荐了两款基于 DeepSeek 的工具（DSH、Codex + DeepSeek）。环境搭好后，AI 工具可以直接替你做"查包、查数据、写模型"这些体力活。

---

三、conda —— 学术与数据科学的首选

3.1 它是什么

conda 是 Anaconda 公司推出的跨语言包管理器 + 环境管理器。它最核心的优势是：不仅能管 Python 包，还能管 Python 之外的东西——CUDA、MKL、BLAS、编译器、R 包、C 库。

这对学术场景（深度学习、数据分析）极其重要：pip install torch 常常因为 CUDA 版本、编译环境不匹配而翻车，而 conda install pytorch 会把配套的 CUDA 运行库一起装上，开箱即用。

注意区分：Anaconda（全家桶，2~3GB，啥都带）与 Miniconda（精简版，只带 conda 本体，按需安装）。学术场景也推荐 Miniconda，省空间、更清爽，需要什么装什么。

3.2 安装

# Windows：下载 Miniconda 安装包（官网 https://docs.conda.io/en/latest/miniconda.html）
# macOS / Linux：
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

国内用户建议配置清华镜像源，速度提升明显：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --set show_channel_urls yes

3.3 常用命令速查

# 创建环境（指定 Python 版本）
conda create -n dl python=3.11

# 激活 / 退出环境
conda activate dl
conda deactivate

# 查看环境列表
conda env list

# 安装包（从 conda 源）
conda install numpy pandas

# 从 PyPI 装（conda 源没有的包用 pip 兜底，注意要 pip install，不是 pip3）
pip install torch

# 导出 / 重建环境（学术论文复现常用）
conda env export > environment.yml
conda env create -f environment.yml

# 删除环境
conda remove -n dl --all

💡 提速技巧：conda 的依赖求解（solver）很慢，学术圈常用 mamba（C++ 重写的 conda）替代：conda install mamba -n base -c conda-forge，之后 mamba install xxx 速度快一个数量级。

3.4 案例实操（深度学习环境）

一套标准的 conda 学术工作流实操流程如下：

# 1. 新建项目目录
mkdir dl-case && cd dl-case

# 2. 创建并激活 dl 环境
conda create -n dl python=3.11 -y
conda activate dl

# 3. 安装深度学习与数据处理全家桶
pip install torch numpy pandas scikit-learn torchsummary

# 4. 数据准备：把 手机价格预测.csv 拷到项目下的 data/ 目录

接着配合 DSH（DeepSeek Harness）用三条提示词完成整个建模：

• 提示词 1：当前项目使用 conda 的 dl 环境，检查该环境下有哪些 pip 包
• 提示词 2：检查当前项目 data 目录下的 csv 数据文件：小明创办了一家手机公司……根据这些性能得到 4 个价格区间
• 提示词 3：使用 pytorch 全连接网络进行深度学习模型建模、训练与测试……分 3 层、激活函数 relu、数据处理/训练/评估封装成三个函数、模型保存到 model 目录、代码保存为 model.py

这就是"核心准则——尽量少码字"的极致体现：环境只建一次，代码交给 AI 写。

3.5 优点与缺点

✅ 优点	❌ 缺点
跨语言依赖（CUDA/MKL）管理最强	环境创建慢，求解器耗时
学术生态成熟，教程最多	体积大，Anaconda 全家桶臃肿
支持 Python 多版本切换	环境间隔离靠"激活"，切换麻烦
论文复现（environment.yml）标准	与企业工程规范（锁文件）脱节

---

四、uv —— 企业级工程化的首选

4.1 它是什么

uv 是 Astral 公司（就是写 Ruff 的那家）用 Rust 写的新一代 Python 包管理器，2024 年发布后迅速成为社区宠儿。它最大的标签是快——比 pip 快 10~100 倍，同时把 pip、pip-tools、virtualenv、pyenv、poetry 的功能合并成一个工具。

对应企业场景的关键词是：团队协作、CI/CD、可复现构建。uv 用 pyproject.toml + uv.lock 解决了这个诉求：

• pyproject.toml：声明依赖（要什么）；
• uv.lock：锁文件，精确到每个依赖的版本与哈希（装出来什么），提交到 Git 后全团队、CI、Docker 得到一模一样的环境。

4.2 安装

# Windows（PowerShell）
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# 或者用 pip 装（作为临时工具最方便）
pip install uv

4.3 核心命令速查

# 初始化一个项目（生成 pyproject.toml）
uv init my-project && cd my-project

# 添加依赖（自动解析 + 写锁文件）
uv add numpy pandas scikit-learn

# 添加开发依赖（测试、lint 工具等）
uv add --dev pytest ruff

# 安装/同步环境（按锁文件精确还原）
uv sync

# 运行命令（自动创建 .venv 并同步）
uv run python model.py

# 管理 Python 版本（内置 pyenv 功能）
uv python install 3.11 3.12
uv python pin 3.11

# 查看依赖树
uv tree

# 升级锁定版本
uv lock --upgrade-package torch

4.4 企业实践要点

# pyproject.toml（uv 生成的项目核心）
[project]
name = "dl-project"
version = "0.1.0"
requires-python = ">=3.11"
dependencies = [
    "numpy>=1.26",
    "pandas>=2.0",
    "torch>=2.2",
]

[dependency-groups]
dev = ["pytest", "ruff"]

团队协作流程：

# 新同事 / 新机器：clone 后一条命令搞定一切
git clone <repo> && cd <repo>
uv sync          # 按 uv.lock 精确还原环境，无需手动建环境
uv run pytest    # 直接跑测试

CI / Docker：

# Dockerfile 示例：利用 uv 缓存加速构建
FROM python:3.11-slim
COPY --from=ghcr.io/astral-sh/uv:latest /uv /uvx /bin/
COPY pyproject.toml uv.lock ./
RUN uv sync --frozen --no-dev
COPY . .
CMD ["uv", "run", "python", "model.py"]

注意事项（写进 .gitignore）：

.venv/

4.5 优点与缺点

✅ 优点	❌ 缺点
极速（Rust 编写，秒级解析）	只解决 Python 包，管不了 CUDA 等非 Python 依赖
锁文件 uv.lock，工程可复现	相对年轻，部分旧工具链兼容性待验证
一个工具替代 pip/venv/pyenv/poetry	团队需要学习新规范（pyproject.toml）
CI/Docker 友好，缓存机制成熟	生态围绕 PyPI，conda 源不直接用

💡 如果企业项目确实需要 CUDA 这类非 Python 依赖：uv + conda 混用是常见解法——用 uv 管项目依赖，用 conda 装 CUDA 工具链；uv pip install 也完全兼容在 conda 环境里工作。

---

五、pixi —— 科学与工程兼得的"新物种"

5.1 它是什么

pixi 是 prefix.dev 公司用 Rust 写的包管理器，可以理解为"现代化重写的 conda"：

• 底层复用 conda 生态（conda-forge 源），所以 conda 能装的东西（CUDA、MKL、ROOT……）它都能装；
• 上层采用工程化设计：pixi.toml（声明式配置）+ pixi.lock（锁文件）+ 自动创建环境、无需手动激活。

对"既要 conda 的科学计算生态、又想要 uv 那样的工程体验"的人来说，pixi 是两者之间的最佳平衡点。它也是近年 HPC（高性能计算）、机器人、数据科学领域增长最快的工具之一。

5.2 安装

# Windows（PowerShell）
powershell -ExecutionPolicy ByPass -c "irm https://pixi.sh/install.ps1 | iex"

# macOS / Linux
curl -fsSL https://pixi.sh/install.sh | bash

5.3 核心命令速查

# 初始化项目（生成 pixi.toml）
pixi init dl-pixi && cd dl-pixi

# 添加依赖（conda 生态）
pixi add python=3.11 numpy pandas

# 添加 conda-forge 之外的 channel（如 PyTorch 官方源）
pixi add --channel pytorch pytorch

# 运行命令（自动同步环境，无需 activate）
pixi run python -c "import torch; print(torch.__version__)"

# 定义常用任务（类似 Makefile）
pixi task add train "python model.py"
pixi run train

# 全局安装命令行工具（类似 pipx）
pixi global install gh nvim ipython

# 查看环境信息 / 更新锁文件
pixi info
pixi update

5.4 pixi.toml 长什么样

[project]
name = "dl-pixi"
version = "0.1.0"
channels = ["conda-forge", "pytorch"]
platforms = ["win-64", "osx-arm64", "linux-64"]

[dependencies]
python = "3.11.*"
numpy = ">=1.26"
pandas = ">=2.0"
pytorch = ">=2.2"

[tasks]
train = "python model.py"
test = "pytest"

💡 亮点：platforms 字段声明支持哪些平台，锁文件会为每个平台分别锁定版本，跨平台团队协作时环境一致性远超传统 conda。

5.5 优点与缺点

✅ 优点	❌ 缺点
conda 生态（CUDA 等非 Python 依赖）+ 锁文件，兼得两者	生态比 conda 年轻，疑难问题资料少
无需手动激活环境，pixi run 一步到位	国内源配置不如 conda 顺手（可用清华镜像）
Rust 实现，比 conda 快很多	与纯 PyPI 工作流（如私有源）磨合中
跨平台锁文件，团队一致性极佳	学习曲线在 uv 与 conda 之间

---

六、三选一：决策指南与对比

6.1 一张表看懂差异

维度	conda（学术）	uv（企业）	pixi（现代/科学工程）
开发语言	Python	Rust	Rust
依赖源	conda-forge + PyPI	PyPI	conda-forge + PyPI
非 Python 依赖（CUDA 等）	✅ 强项	❌ 需配合 conda	✅ 强项
锁文件	❌（environment.yml 较弱）	✅ uv.lock	✅ pixi.lock
环境激活方式	conda activate	uv run（自动）	pixi run（自动）
速度	慢（可用 mamba 加速）	极快	快
多 Python 版本管理	✅	✅（内置）	✅
团队/CI 复现	一般	极强	强
学习曲线	平缓	中（工程概念多）	中
生态成熟度	★★★★★	★★★★☆	★★★☆☆

6.2 决策树

你主要做什么？
│
├─ 科研 / 课程 / 深度学习实验（重 CUDA、重复现、求稳）
│   └─ 👉 conda（+ mamba 提速）          【学术场景】
│
├─ 企业项目 / 团队协作 / CI/CD / 服务部署
│   └─ 👉 uv（纯 Python 项目直接上）
│        └─ 需要 CUDA？→ uv + conda 混用  【企业场景】
│
├─ 既要科学计算生态、又想要现代工程体验
│   └─ 👉 pixi                            【现代场景】
│
└─ 只是偶尔跑脚本 / 想装几个命令行工具
    └─ 👉 uv（uvx 一键运行工具）或 pixi global

---

七、同一任务，三种工具的实操对照

以经典的 dl-case 案例（安装 torch 全家桶并训练）为例，三种工具完全等价：

# ---------- 方式一：conda（学术经典） ----------
conda create -n dl python=3.11 -y
conda activate dl
pip install torch numpy pandas scikit-learn torchsummary
python model.py

# ---------- 方式二：uv（企业工程） ----------
uv init dl-case && cd dl-case
uv add torch numpy pandas scikit-learn torchsummary
uv run python model.py            # 自动建 .venv、自动同步

# ---------- 方式三：pixi（科学工程） ----------
pixi init dl-case && cd dl-case
pixi add python=3.11 torch numpy pandas scikit-learn
pixi run python model.py          # 自动建环境，无需 activate

三种方式产出的最终效果一致：一个隔离的、装了全套深度学习依赖的环境。区别在于——conda 靠"命名环境 + 手动激活"管理，uv 靠"项目内 .venv + 锁文件"管理，pixi 靠"项目内环境 + 锁文件"管理。

对初学者建议：先学 conda（教程多、好理解、学术界通用），等进了企业或团队项目，自然过渡到 uv 或 pixi。

---

八、配套环境：终端 + IDE + AI

环境管理只是地基，完整的"开发环境"还包括三层，一并给出配置要点。

8.1 终端环境

平台	推荐	说明
Windows	Windows Terminal + PowerShell 7	支持多标签、主题、衬线字体
macOS	iTerm2 / Warp	Warp 自带 AI 命令补全
Linux	系统终端 + tmux	多会话管理

加分项：oh-my-posh（跨平台美化提示符，直接显示当前 conda 环境名，一眼知道自己激活在哪）、zoxide（智能 cd）、fzf（模糊搜索历史命令）。宗旨就一条——“省力”。

8.2 IDE 环境

以 VSCode / Cursor 为例，配置要点：

// settings.json 关键配置
{
  "python.defaultInterpreterPath": "~/.conda/envs/dl/bin/python",  // 指向你的环境解释器
  "python.analysis.extraPaths": ["./src"],                          // 代码跳转
  "ruff.enable": true,                                              // Ruff 扩展：极速 lint + format
  "editor.formatOnSave": true
}

必装扩展：

• Python（微软官方，调试/智能提示）
• Pylance（类型检查）
• Ruff（强烈推荐，格式化 + 静态检查一体，Rust 实现飞快）
• Jupyter（数据科学必备）

💡 还有一点容易被新手忽略：“找到它的配置文件在哪里，对它进行配置”——装完扩展一定要打开 settings.json 把解释器路径、格式化工具指对，否则"环境建好了 IDE 却用不上"。

8.3 AI 环境

核心观点：“每个人必须要有一款熟练使用的 AI 工具”，常用工具矩阵如下：

类别	工具
网页端	ChatGPT、DeepSeek、豆包
客户端	Workbuddy、Hermes Agent（开源）
Agent 工具	DSH（DeepSeek Harness，开源）、Codex（ChatGPT 桌面版）
VSCode 插件	Codex 插件、Claude Code 插件
CLI 工具	grok build

这里重点推荐两款 基于 DeepSeek 的工具，安装步骤照抄即可：

① DSH（DeepSeek Harness）

# 1. 安装 Node.js：https://nodejs.org/en/download
# 2. （推荐）配置国内镜像
npm config set registry https://registry.npmmirror.com
# 3. 全局安装
npm install -g @deepseek-ai/dsh
# 4. 启动
dsh web            # http://127.0.0.1:3080/
# 5. 配置 DeepSeek API Key：https://platform.deepseek.com/api_keys

# 扩展：安装函数绘图插件（一次即可）
dsh plugin --profile web add dsh-function-plot

② Codex + DeepSeek

# 在 VSCode 中安装 Codex 插件，然后按 DeepSeek 官方文档配置 API：
# https://api-docs.deepseek.com/zh-cn/quick_start/agent_integrations/codex

这两款工具 + 前面建好的环境，就完整闭环了 3.4 节的三条提示词工作流：AI 查包 → AI 分析数据 → AI 写模型代码。

---

九、总结

回到开头的两条准则：

• 用着顺手、敲着愉悦 → 三种工具没有绝对优劣，只有场景匹配：
  • 学术科研、深度学习实验 → conda（稳妥、生态全）
  • 企业项目、团队协作、CI/CD → uv（极速、锁文件）
  • 想要 conda 生态 + 工程体验 → pixi（新物种、两全）
• 尽量少码字、省力 → 环境建好后，把终端美化、IDE 配置、AI 工具一次性配到位，之后所有重复劳动（查包、写代码、配环境）都可以交给工具与 AI。

最后送上一句话：环境管理是投资最少、回报最高的一步——一次配好，终身受用。

---

参考资料

• uv 官方文档：https://docs.astral.sh/uv/
• uv GitHub：https://github.com/astral-sh/uv
• pixi 官方文档：https://pixi.prefix.dev/
• conda 官方文档：https://docs.conda.io/
• DeepSeek Codex 集成文档：https://api-docs.deepseek.com/zh-cn/quick_start/agent_integrations/codex