1. 放弃 Conda，也别迷信 uv

作为地理空间（Geo）开发者，配置 Python 环境的痛，纯软件开发者很难体会。当你满怀激情敲下conda install gdal geopandas，面对Solving environment转半个小时，最后可能还是一堆 C++ 动态库版本冲突的红字。

所以当基于 Rust 的极速包管理器 uv 横空出世时，它毫秒级的解析速度让无数人高呼“告别 Conda”。但是，Geo 开发者，别急着迷信 uv。

uv 极其优秀，但它只管纯 Python 生态（PyPI）。而我们搞地理空间计算和遥感开发的，从底层的GDAL、PDAL到PROJ，灵魂全是C/C++。用 uv 下载的往往只是一层薄薄的 Python Wrapper（接口封装），如果没有系统级的底层二进制文件支持，根本跑不起来。

更致命的是，当我们做算法工程化，经常需要将高光谱影像处理算法与 C++ 软件集成，甚至自己编写 .pyd 扩展。这不仅需要算法包，还需要 CMake 和特定版本的编译器——这些非 Python 的系统级依赖，纯粹的 Python 工具 uv 统统给不了。Conda 有生态但太重太慢，uv 极快却“偏科”。

2. 破局者 Pixi：兼顾速度与底层生态的“究极形态”

我们需要一个既有 uv 的极致速度，又有 Conda 的全生态支持，还能实现真正的项目级隔离的工具。 基于 Rust 开发的包管理器 Pixi，正是完美解决所有痛点的“降维打击”者。它不造新轮子，而是做了一个极其优雅的“生态缝合怪”：

• 双生态融合（conda-forge + PyPI）： 这是 Pixi 最具杀伤力的特性。当你需要GDAL、CMake 或C++编译器时，它以极快的速度从 conda-forge 拉取预编译底层库；需要最新的纯 Python 算法包时，又能无缝接入 PyPI 生态。
• 列表项真正的“项目级”隔离： Conda 习惯在系统全局维护环境，一旦“变脏”只能含泪重装。Pixi 则引入了类似前端npm的工作流，每个项目自带独立的.pixi 隐藏目录和pixi.toml配置文件。环境跟着代码走，把项目发给同事，一行命令就能 100% 像素级复现，心智负担降为零。

3. 极速上手Pixi：搞定“地狱级”地理空间依赖

光说不练假把式。假设我们现在要开启一个多光谱影像预处理的新项目：需要用GDAL读取多波段 TIFF，又需要spectral辅助来编写辐射校正算法。

3.1 安装Pixi

不论是 Windows 还是 macOS/Linux，一行命令即可搞定（Pixi 本身就是一个极小的独立二进制文件）：

# macOS / Linuxcurl -fsSL https://pixi.sh/install.sh | sh# Windows (注意是管理员身份打开PowerShell命令窗口)irm -useb https://pixi.sh/install.ps1 | iex

执行这个命令会从官方网站获取安装脚本，自动下载安装Pixi，同时为我们配置好环境变量，当然我们也可以指定一些配置参数进行自定义安装。

参数说明：

• PIXI_VERSION：此参数可以指定要安装的Pixi程序的具体版本号。
• PIXI_HOME：此参数代表Pixi 存放全局数据的主干目录。
• PIXI_NO_PATH_UPDATE：此参数是控制Pixi 的系统环境变量的。
• PIXI_DOWNLOAD_URL：此参数用来自定义 Pixi 二进制安装包的下载源。

举个例子，假设我的系统环境是Windows，我想安装v0.65.0版本的Pixi，全局安装路径指定为D:\PS\Pixi，系统环境变量指定为D:\PS\Pixi，同时自定义一个下载源，那么我安装命令可修改为下面这样：

env:PIXIVERSION=′v0.65.0′;env:PIXI_HOME='D:\PS\Pixi'; env:PIXINOPATHUPDATE=′D:\PS\Pixi′;env:PIXI_DOWNLOAD_URL='你的真实下载地址'; irm -useb https://pixi.sh/install.ps1 | iex

我们可以在PowerShell命令窗口中输入pixi info检查是否安装成功，出现以下类似信息则安装成功：

3.2 配置镜像源（具备科学上网能力可忽略）

Pixi 最大的优势之一就是它基于 Rust 的毫秒级依赖解析引擎。如果在解析完复杂的依赖树后，下载环节却因为网络问题卡了半小时，那 Pixi 的速度优势就完全丧失了。所以“Pixi 的极速引擎 + 国内镜像源的极速下载”，才是国内Geo开发者配置开发环境的最优方案。

我们在前面设置的PIXI_HOME目录（例如我前面设置的D:\PS\Pixi）下新建一个config.toml文件，内容可按如下配置：

[mirrors]"https://conda.anaconda.org/conda-forge" = ["https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge"]"https://repo.anaconda.com/pkgs/main" = ["https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main"]"https://repo.anaconda.com/pkgs/free" = ["https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free"]"https://repo.anaconda.com/pkgs/r" = ["https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r"]"https://repo.anaconda.com/pkgs/msys2" = ["https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2"][pypi-config]index-url = "https://pypi.tuna.tsinghua.edu.cn/simple"extra-index-urls = ["https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple"]

3.3 创建项目工作区

首先在PowerShell命令窗口中cd到一个目录下（我这里在桌面创建工作区），接着用pixi init命令来创建和初始化我多光谱影像预处理项目的工作区：

cd C:\Users\34539\Desktoppixi init spectral-processingcd C:\Users\34539\Desktop\spectral-processing

此时，会发现桌面生成一个名为“spectral-processing”的文件夹（也就是多光谱影像预处理项目的工作区），文件夹内有三个文件，结构如下：

spectral-processing├── .gitattributes├── .gitignore└── pixi.toml

前两个是git的配置文件，其中pixi.toml文件是工作区的配置文件。它包含有关工作区的所有信息，例如其通道、平台、依赖项、任务等等，基本内容格式如下：

[workspace]channels = ["conda-forge"]name = "spectral-processing"platforms = ["win-64"]version = "0.1.0"[dependencies][tasks]

3.4 秒装“地理全家桶”

在Pixi中，我们使用pixi add命令向pixi.toml配置文件中添加依赖项：

# 从 conda-forge 拉取多个沉重的底层 GIS 库pixi add gdal geopandas rasterio# 从 PyPI 拉取纯 Python 算法包（比如处理光谱数据的包）pixi add --pypi spectral

你会看到，极其复杂的 C++ 动态链接库依赖树在几秒钟内被理清，并飞速下载到项目的工作空间中，我们可以使用pixi list命令查看依赖的安装情况：也可以使用pixi tree命令查看当前环境中的依赖关系树：还可以使用pixi update命令更新pixi.toml配置文件中删除某些依赖项，甚至使用pixi upgrade命令进行更激进的依赖更新。这里解释一下pixi update和pixi upgrade的区别：

• pixi update（保守更新）： 只更新pixi.lock锁文件。它会在你pixi.toml规定的版本范围内，寻找最新的包。它绝不会修改你的 pixi.toml。
• pixi upgrade（激进升级）： 同时更新pixi.toml和pixi.lock。它会无视（并重写）你原本写在配置文件里的版本限制，直接强行升级到当前的绝对最新版。

3.5 优雅的 Task 管理

经过上面一番操作后，此时再打开生成的pixi.toml，你会发现一切井井有条。更赞的是，Pixi 支持像Makefile一样定义任务。

我们可以把运行辐射校正算法脚本的任务直接写进去：

[workspace]channels = ["conda-forge"]name = "spectral-processing"platforms = ["win-64"]version = "0.1.0"[dependencies]gdal = ">=3.12.2,<4"geopandas = ">=1.1.2,<2"rasterio = ">=1.5.0,<2"cmake = ">=4.2.3,<5"c-compiler = ">=1.11.0,<2"cxx-compiler = ">=1.11.0,<2"[pypi-dependencies]spectral = ">=0.24, <0.25"[tasks]# 定义快捷命令：运行辐射校正算法process = "python radiometric_correction.py"

后续，我们只需要在终端优雅地敲下：

pixi run process

Pixi 会自动运行辐射校正算法。没有任何依赖报错，只有流畅的代码执行。

4. Pixi进阶配置

4.1 环境配置

4.1.1 概念理解

相信很多Geo开发者都是从 Conda 转过来的，那么可能最不适应的就是 Pixi 的环境管理逻辑。因为 Conda 的逻辑是把“项目环境”和“全局工具”混为一谈的，而 Pixi 采用了软件工程中“关注点分离”的架构思路，把它们拆分成了Multi Environment和Global Tools。

4.1.1.1 Conda 的方式：混乱的“大锅饭”与“合租房”

在 Conda 中，你敲下conda create -n my_env，这个环境会被统一塞进系统的全局目录（比如C:\miniconda3\envs\my_env）。

• 痛点 1（环境与代码脱节）： 你的代码在D:\Project，环境在C:\miniconda3。当你把代码拷给别人时，环境带不走，只能手动导出一个极易报错的environment.yml。
• 痛点 2（工具污染环境）： 假设你需要用JupyterLab写代码，用Black格式化代码。在 Conda 里，你通常只能把这些工具conda install到你的my_env业务环境里。这会导致你的业务依赖树变得极其臃肿，甚至因为Jupyter的某个底层包冲突，把你原本好好的GDAL给搞崩了。

4.1.1.2 Pixi 的 Multi Environment（多环境）：项目内的“平行宇宙”

Multi Environment是严格绑定在单个项目工作区（文件夹）内部的。它解决的是：“同一个代码库，在不同开发阶段或场景下，需要不同依赖组合”的问题。

• 核心逻辑：像搭积木一样组合环境。在 Pixi 中，你不需要为同一个项目建好几个隔离的文件夹。你可以定义不同的[feature]（特性积木），然后拼装成不同的环境。
• 实战场景：假设你在做一个高光谱图像目标识别项目。
• 日常处理数据（轻量）： 只需要GDAL和Geopandas。你可以定义一个default环境。
• 训练模型（极重）： 需要额外加上几 GB 大小的PyTorch和CUDA库。你可以定义一个cuda积木。

在pixi.toml里，Pixi 会在项目的.pixi/envs目录下为你生成两个平行的子环境：一个是纯 CPU 的轻量环境，一个是挂载了 GPU 的重型环境。代码只有一份，敲pixi run -e default脚本或者pixi run -e cuda就能瞬间切换运行。环境跟着代码走，绝不乱跑。

4.1.1.3 Pixi 的 Global Tools（全局工具）：绝对隔离的“系统工具箱”

Global Tools是脱离具体项目，直接安装在系统层面（PIXI_HOME）的。它解决的是：我只需要这个工具的命令行功能，绝对不想让它弄脏我的业务代码环境。

• 核心逻辑：每个工具住在一个独立的“绝对隔离舱”。
• 实战场景：作为Geo开发者，你肯定希望在任何文件夹里打开终端，敲下jupyter lab就能弹出一个记事本，或者敲下black就能格式化代码。 如果你用pixi global install jupyterlab：
• Pixi 会在PIXI_HOME/envs/jupyterlab下给它单独建一个虚拟环境（只有它自己运行需要的包）。
• 然后把启动命令jupyter软链接到系统的 PATH 里。

结果就是： 你的系统里多了一个随叫随到的全局jupyter命令，但你的系统 Python 环境和各个项目的业务环境依然干干净净，互不干扰。就算 Jupyter 的环境崩了，也绝对影响不到你正在开发的高光谱项目。

4.1.2 具体配置方法

4.1.2.1 玩转全局工具 (Global Tools)：打造绝对干净的随身工具箱

作为Geo开发者，我们经常需要用到 JupyterLab 来写交互式的数据探索代码，或者用 Black 来做代码格式化。按照以前的习惯，你可能会直接conda install jupyterlab到系统里，但可能有引发依赖冲突的风险。在Pixi 中我们可以使用极其优雅的global命令。

（1）一键安装全局工具

打开你的 PowerShell（无论在哪个目录下都可以），敲下：

# 全局安装 JupyterLab 记事本pixi global install jupyterlab# 全局安装 Black 代码格式化工具pixi global install black

（2）背后发生了什么？

还记得我们在安装 Pixi 时设置的PIXI_HOME='D:\PS\Pixi'吗？当你执行上述命令后，Pixi 会在D:\PS\Pixi\envs\目录下，专门为jupyterlab和black各自建立一个绝对封闭的独立环境，并把启动命令（快捷方式）安全地映射到你的系统 PATH 中。

（3）如何使用？

安装完成后，你在电脑上的任何文件夹里打开终端，只要输入：

jupyter lab

就能瞬间唤起 Jupyter 记事本。它既能随叫随到，又绝对不会弄脏你任何一个项目的依赖环境。

如果你想查看自己装了哪些全局工具，或者想卸载它们，只需使用：

# 查看安装哪些全局工具pixi global list# 删除指定的全局工具pixi global remove jupyterlab

4.1.2.2 搭建高级多环境 (Multi Environment)：像搭积木一样管理虚拟环境

假设我们的“多光谱影像预处理项目”需求升级了：我们不仅需要用 GDAL 做基础的图像读写与辐射校正，现在还要引入 PyTorch 来训练一个光谱图像的深度学习分割模型。

如果把庞大的 CUDA 库和轻量的 GDAL 揉在一个环境里，每次跑基础预处理脚本都会极其笨重。Pixi 给出的解法是前面提到的“特征（Feature）积木”。

（1）定义“积木块”（Features）

我们将依赖拆分成基础处理和深度学习两块，这里有两种方法，第一种是打开项目根目录下的pixi.toml文件，我们手动对它进行改造：

[workspace]channels = ["conda-forge"]name = "spectral-processing"platforms = ["win-64"]version = "0.1.0"# --- 积木 1：基础依赖（默认特性） ---[dependencies]gdal = ">=3.12.2,<4"geopandas = ">=1.1.2,<2"rasterio = ">=1.5.0,<2"# --- 积木 2：深度学习依赖（定义一个名为 ml 的新特性） ---# 注意：PyTorch 推荐从专门的 pytorch 和 nvidia 频道拉取[feature.ml.dependencies]pytorch = "*"torchvision = "*"pytorch-cuda = "11.8"[feature.ml]channels = ["pytorch", "nvidia", "conda-forge"]

第二种方法是通过执行下面命令来对pixi.toml文件进行改造：

pixi add --feature ml "pytorch" "torchvision" "pytorch-cuda"

（2）拼装“环境”（Environments）

有了积木块（Features），我们就可以拼装出不同的环境，这里有两种方法，第一种是打开项目根目录下的pixi.toml文件，我们手动对它进行改造：

[environments]# 默认环境：只包含积木 1（基础依赖），极其轻量，秒级启动default = ["default"] # 训练环境：把积木 1 和积木 2 拼在一起，包含 GPU 算力全家桶training = ["default", "ml"]

第二种方法是通过执行下面命令来对pixi.toml文件进行改造：

# 拼装出默认环境：只包含积木 1（基础依赖），极其轻量，秒级启动pixi workspace environment add default --feature default# 拼装出训练环境：把积木 1 和积木 2 拼在一起，包含 GPU 算力全家桶pixi workspace environment add training --feature defaultpixi workspace environment add training --feature ml

（3）优雅地运行任务

配置好之后，你的项目里其实就潜伏着两个平行环境了。

当你想跑轻量的预处理脚本时，直接用默认环境（两种方法）：

# 默认使用 default 环境执行脚本（第一种方法）pixi run python radiometric_correction.py# 也可以先激活 default 环境，再执行脚本（第二种方法）pixi shell -e default python radiometric_correction.py

当你想火力全开，训练深度学习模型时，只需加一个-e（environment）参数切换到重型环境（两种方法）：

# 直接使用包含了 PyTorch 和 CUDA 的 training 环境执行脚本（第一种方法）pixi run -e training python train_model.py# 也可以先激活包含了 PyTorch 和 CUDA 的 training 环境，再执行脚本（第二种方法）pixi shell -e trainingpython train_model.py

很多习惯了 Conda 的开发者，第一反应永远是敲conda activate来激活环境，其实我们上面使用的pixi shell命令和conda activate效果是一样的。

4.1.2.3 在 VS Code 中无缝接入 Pixi 环境

上面我们介绍了如何在终端里跑脚本，但是相信很多开发者常用的IDE是VS Code，打开 VS Code 编辑器，发现from osgeo import gdal下面画满了红色的波浪线，没有任何代码补全提示。

这是因为 VS Code 默认去读取了你电脑系统的 Python，根本不知道 Pixi 把环境藏在了哪里。

解决方法很简单：告诉 VS Code 那个藏起来的python.exe在哪。Pixi 所有的项目环境，都物理隔离在项目工作区根目录的.pixi/envs/文件夹下。

具体操作步骤如下：

（1）用 VS Code 打开你的项目工作区文件夹。

（2）按下键盘快捷键Ctrl + Shift + P打开命令面板。

（3）输入并选择Python: Select Interpreter（Python: 选择解释器）。

（4）在弹出的列表中，点击Enter interpreter path...（输入解释器路径...），然后点击Find...（查找...）。

（5）在弹出的文件选择窗口中，依次进入你项目中的隐藏目录，找到它：.pixi\envs\default\python.exe(如果你想使用刚才配置的深度学习多环境，就把default换成training文件夹)

选中之后，看一眼 VS Code 的右下角，你会发现 Python 版本号变了。此时，GDAL 的底层 C++ 接口提示、PyTorch 的张量补全，全部瞬间复活！以后每次打开这个项目，VS Code 都会自动连上这个环境，再也不用折腾了。

4.2 环境复用

到这里，我们已经完全掌握了 Pixi 的环境隔离精髓。那么怎么在其它电脑上进行环境复用呢？

4.2.1 核心机制：神圣不可侵犯的 pixi.lock 文件

当你用 Pixi 安装依赖时（比如执行了pixi add gdal），项目目录下除了pixi.toml，还会自动生成一个叫pixi.lock的文件。