Python 虚拟环境备忘：venv、conda、uv 该用哪个
每次都记不住激活命令，干脆一次性整理清楚。附一份可以直接抄的日常工作流。
点击下方按钮复制带排版的正文，粘贴进公众号编辑器即可保留标题、代码块、引用等样式。
为什么必须要用虚拟环境
不做隔离的话，所有项目的包都装在同一个全局环境里。项目 A 要 requests==2.28，项目 B 要 requests==2.31，装完 B 之后 A 就跑不起来了。
而且换电脑时，你根本说不清这个项目到底依赖了什么。
三种方案的定位
| 方案 | 适合场景 | 速度 | 依赖管理文件 |
|---|---|---|---|
venv | 标准库自带，纯 Python 项目 | 快 | requirements.txt |
conda | 需要非 Python 依赖（CUDA、GDAL 等） | 慢 | environment.yml |
uv | 想快，想要现代依赖锁定 | 很快 | pyproject.toml + uv.lock |
我的选择：日常用 uv，需要装 CUDA 相关的用 conda，给别人交接的脚本用 venv。
venv 常用命令
# 创建（约定俗成叫 .venv，编辑器能自动识别）
python -m venv .venv
# 激活 —— Windows Git Bash
source .venv/Scripts/activate
# 激活 —— Windows PowerShell
.venv\Scripts\Activate.ps1
# 激活 —— macOS / Linux
source .venv/bin/activate
# 退出
deactivate导出和安装依赖：
pip freeze > requirements.txt
pip install -r requirements.txt注意：
pip freeze会把所有间接依赖都写进去，版本极其精确但很难读。想要清爽一点，可以用pipreqs只导出代码里实际 import 的包。
uv 常用命令
uv 用 Rust 写的，装包速度大概是 pip 的十几倍。
# 安装 uv（Windows 用 pipx 或官方脚本）
pipx install uv
# 初始化项目
uv init my-project
cd my-project
# 加依赖
uv add requests openai
# 加开发依赖
uv add --dev ruff pytest
# 按锁文件精确还原环境
uv sync
# 不激活环境直接跑脚本
uv run main.py最后一条是我最常用的。不用 source activate，直接 uv run 就行，少一个记命令的负担。
conda 什么时候非用不可
判断标准很简单：你要装的包里有编译好的二进制，或者依赖系统级库。
典型例子：
# PyTorch + CUDA
conda install pytorch torchvision pytorch-cuda=12.1 -c pytorch -c nvidia
# 地理信息处理
conda install -c conda-forge geopandas这些包在 pip 里也能装，但经常卡在编译环节，或者版本对不上。conda 直接给预编译好的包，省事。
代价是 conda 环境体积大、求解依赖慢。所以我只在这类项目里用它，不混用。
容易踩的坑
忘记激活环境
最常见的错误。装完包发现 import 还是失败，一看 which python 指向的是全局解释器。
建议把终端提示符配一下，激活后显示环境名。VS Code 里右下角也能看到当前解释器，写代码前扫一眼。
把 .venv 提交到 Git
# .gitignore
.venv/
venv/
env/
__pycache__/
*.pyc虚拟环境目录动辄几百 MB，而且和操作系统绑定，提交上去没有任何意义。别人的机器上重新建一个就好。
中文路径导致的编码错误
Windows 上如果项目路径含中文，某些包安装时会报 UnicodeDecodeError。尽量把项目放在纯英文路径下，比如 D:\projects\。
我现在的固定流程
新建一个 Python 小项目时：
mkdir my-tool && cd my-tool
uv init
uv add requests rich
uv run main.py完成。没有 activate、没有手动建目录、没有环境变量要改。
如果是学习 AI 相关的项目，需要 GPU 时再切到 conda：
conda create -n ai-lab python=3.11
conda activate ai-lab小结
- 纯 Python 项目一律用
venv或uv，别碰全局环境 - 涉及 CUDA、地理信息、科学计算这类重型依赖时才用
conda .venv/永远写进.gitignore
为什么必须要用虚拟环境
不做隔离的话，所有项目的包都装在同一个全局环境里。项目 A 要 requests==2.28，项目 B 要 requests==2.31，装完 B 之后 A 就跑不起来了。
而且换电脑时，你根本说不清这个项目到底依赖了什么。
三种方案的定位
| 方案 | 适合场景 | 速度 | 依赖管理文件 |
|---|---|---|---|
venv | 标准库自带，纯 Python 项目 | 快 | requirements.txt |
conda | 需要非 Python 依赖（CUDA、GDAL 等） | 慢 | environment.yml |
uv | 想快，想要现代依赖锁定 | 很快 | pyproject.toml + uv.lock |
我的选择：日常用 uv，需要装 CUDA 相关的用 conda，给别人交接的脚本用 venv。
venv 常用命令
# 创建（约定俗成叫 .venv，编辑器能自动识别）
python -m venv .venv
# 激活 —— Windows Git Bash
source .venv/Scripts/activate
# 激活 —— Windows PowerShell
.venv\Scripts\Activate.ps1
# 激活 —— macOS / Linux
source .venv/bin/activate
# 退出
deactivate导出和安装依赖：
pip freeze > requirements.txt
pip install -r requirements.txt注意：
pip freeze会把所有间接依赖都写进去，版本极其精确但很难读。想要清爽一点，可以用pipreqs只导出代码里实际 import 的包。
uv 常用命令
uv 用 Rust 写的，装包速度大概是 pip 的十几倍。
# 安装 uv（Windows 用 pipx 或官方脚本）
pipx install uv
# 初始化项目
uv init my-project
cd my-project
# 加依赖
uv add requests openai
# 加开发依赖
uv add --dev ruff pytest
# 按锁文件精确还原环境
uv sync
# 不激活环境直接跑脚本
uv run main.py最后一条是我最常用的。不用 source activate，直接 uv run 就行，少一个记命令的负担。
conda 什么时候非用不可
判断标准很简单：你要装的包里有编译好的二进制，或者依赖系统级库。
典型例子：
# PyTorch + CUDA
conda install pytorch torchvision pytorch-cuda=12.1 -c pytorch -c nvidia
# 地理信息处理
conda install -c conda-forge geopandas这些包在 pip 里也能装，但经常卡在编译环节，或者版本对不上。conda 直接给预编译好的包，省事。
代价是 conda 环境体积大、求解依赖慢。所以我只在这类项目里用它，不混用。
容易踩的坑
忘记激活环境
最常见的错误。装完包发现 import 还是失败，一看 which python 指向的是全局解释器。
建议把终端提示符配一下，激活后显示环境名。VS Code 里右下角也能看到当前解释器，写代码前扫一眼。
把 .venv 提交到 Git
# .gitignore
.venv/
venv/
env/
__pycache__/
*.pyc虚拟环境目录动辄几百 MB，而且和操作系统绑定，提交上去没有任何意义。别人的机器上重新建一个就好。
中文路径导致的编码错误
Windows 上如果项目路径含中文，某些包安装时会报 UnicodeDecodeError。尽量把项目放在纯英文路径下，比如 D:\projects\。
我现在的固定流程
新建一个 Python 小项目时：
mkdir my-tool && cd my-tool
uv init
uv add requests rich
uv run main.py完成。没有 activate、没有手动建目录、没有环境变量要改。
如果是学习 AI 相关的项目，需要 GPU 时再切到 conda：
conda create -n ai-lab python=3.11
conda activate ai-lab小结
- 纯 Python 项目一律用
venv或uv，别碰全局环境 - 涉及 CUDA、地理信息、科学计算这类重型依赖时才用
conda .venv/永远写进.gitignore