我的 Python 环境从 pip 换到 uv,启动速度从 30 秒变成了 3 秒

我第一次用 pip install 的时候，觉得这就是标准答案了。

pip install requests，回车，等几秒，装好了。

还能怎么样呢？

后来项目多了，虚拟环境多了，依赖冲突多了，我才发现 pip 只是"能用来装包"，不是"能管好依赖"。

pip + requirements.txt 的痛，谁用谁知道

最开始我的项目是这样的：

# requirements.txt
requests
pandas
numpy
scikit-learn

看起来没问题。

直到同事拉了我的代码，pip install -r requirements.txt，跑起来报错。

原因是：我装的是 pandas==1.5.3，同事装的是 pandas==2.1.0，API 有变动，代码不兼容。

requirements.txt 不写版本号，别人装的时候可能装到不兼容的版本。写版本号，你又要手动维护，升级某个包的时候，它的依赖包版本也要跟着改，改错了就炸。

后来我学会了用 pip freeze：

pip freeze > requirements.txt

这下版本号全锁定了，同事装出来和我一模一样。

但新问题来了：pip freeze 会把所有间接依赖也写进去，一个简单项目的 requirements.txt 能有上百行，长得像这样：

certifi==2024.2.2
charset-normalizer==3.3.2
idna==3.6
requests==2.31.0
urllib3==2.2.1
# ...还有 50 行你不知道哪来的

你根本不知道哪些是你直接用的，哪些是别人带进来的。

poetry 的出现，让我觉得"这才对嘛"

poetry 的核心思想是：你只需要声明你直接依赖什么，版本范围可以写宽松一点，poetry 帮你算出来一个所有包都兼容的组合，然后锁死。

pyproject.toml（你告诉 poetry 你要什么）：

[tool.poetry]
name = "my-project"
version = "0.1.0"

[tool.poetry.dependencies]
python = "^3.10"
requests = "^2.31.0"
pandas = "^2.0"

poetry.lock（poetry 算出来的精确版本，提交到 git）：

[[package]]
name = "requests"
version = "2.31.0"
dependencies = [
    "charset-normalizer",
    "idna",
    "urllib3",
]

别人拉了代码，运行 poetry install，装出来的环境和你一模一样。

我用 poetry 用了两年，整体很满意。依赖解析比 pip 靠谱，虚拟环境自动管理，发布到 PyPI 也方便。

但有一个问题：慢。

poetry 的慢，是那种让人烦躁的慢

poetry install 跑一次，依赖多的话要等一两分钟。

它在做什么？在解析依赖树，找所有包之间兼容的版本组合。这个计算是复杂的，特别是当你有很多依赖的时候。

我有一个项目，依赖了 60 多个包，poetry install 要跑将近两分钟。

每次换机器、每次 CI/CD，都要等这两分钟。

后来我遇到了 uv。

uv 是什么，为什么这么快

uv 是一个用 Rust 写的 Python 包管理工具，作者是 Astral 团队（就是做了 ruff 那个团队）。

它的核心卖点：快。

快到什么程度？

同一个项目，poetry install 要 90 秒，uv pip install 只要 5 秒。

我第一次跑的时候以为它没装完，检查了一下，包都在，环境没问题。

原因有几个：

• Rust 写的，性能天然比 Python 写的工具高
• 依赖解析用并行计算
• 缓存机制做得非常好，重复安装几乎秒完成

安装 uv 只需要一行：

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

或者如果你用 pip（最后一次用 pip 装工具）：

pip install uv

我从 poetry 迁移到 uv 的过程

uv 支持多种工作模式，你可以把它当 pip 的替代品，也可以让它完全接管项目管理。

最简单的方式，用 uv 管理虚拟环境 + 装包：

# 创建虚拟环境
uv venv

# 激活（和平时一样）
source .venv/bin/activate  # Linux/Mac
.venv\Scripts\activate     # Windows

# 装包，速度飞快
uv pip install requests pandas numpy

如果你有 requirements.txt：

uv pip install -r requirements.txt

体验上和 pip 几乎一样，但速度快 10-100 倍。

uv 的进阶用法：完全替代 poetry

uv 也可以管理 pyproject.toml 和锁文件，彻底替代 poetry：

# 初始化项目
uv init my-project

# 添加依赖
uv add requests
uv add pandas --group dev

# 同步环境（根据 lock 文件安装）
uv sync

uv init 创建的项目结构：

my-project/
├── pyproject.toml
├── uv.lock
└── src/
    └── my_project/
        └── __init__.py

uv.lock 和 poetry.lock 类似，但生成速度快得多。

我迁移了一个有 60 多个依赖的项目，从 poetry install 的 90 秒，到 uv sync 的 8 秒。

8 秒。

一个完整的对比数据

我用同一个项目（FastAPI + 各种数据处理库，约 80 个依赖包）测试：

| 操作 | pip | poetry | uv |

|------|-----|--------|-----|

| 首次安装 | 45秒 | 98秒 | 6秒 |

| 有缓存安装 | 12秒 | 35秒 | 2秒 |

| 添加新依赖 | 8秒 | 28秒 | 1秒 |

| 创建虚拟环境 | 手动 | 自动 | 0.3秒 |

数据说明一切。

但我不是来说 uv 是最好的

工具选型永远要看场景。

如果你已经在用 poetry，项目跑得好好的，没必要为了快那几十秒去迁移。

如果你是新项目，或者受够了 poetry 的慢，uv 值得一试。

如果你在维护一些老项目，只用 requirements.txt，uv pip install 可以无缝替换 pip install，立刻感受到速度提升，没有任何迁移成本。

我现在的状态是：新项目直接用 uv init，老项目把 pip install 换成 uv pip install。

一个冷知识：uv 还能管理 Python 版本

之前要用 pyenv 或者手动装多个 Python 版本，现在 uv 一键搞定：

# 安装 Python 3.12
uv python install 3.12

# 用 Python 3.12 创建虚拟环境
uv venv --python 3.12

一条工具链搞定包管理 + Python 版本管理，这才是现代 Python 开发该有的体验。

说到底，工具变迁的背后是同一个逻辑：你在等电脑的那几十秒、几分钟，累加在一起，是实打实的生命。

从 pip 到 poetry 到 uv，我不会说"早用早享受"这种话，但如果你也受够了等 poetry install 的那两分钟，uv 可能会让你觉得，这几年的等待其实是可以避免的。

你用什么管理 Python 依赖？还在用 pip 裸写 txt 吗？欢迎留言区聊聊你的工具链，说不定有惊喜发现。

最后，别忘了关注「有为大青年」，我们下期见~