重新认识 Anaconda:一个 Python 开发者的环境管理进化史

前言

第一次接触 Python 时，最早使用的环境管理工具就是 Anaconda。不过实际体验却懵懵懂懂，只知道安装完一大堆东西后，会弹出一个黑框，启动后还能进入一个网页，经过一顿配置就可以边写边运行了。对于初学 Python 的我来说，整个过程没有形成任何清晰的概念体系，因此很快就放弃了对 Anaconda 的使用。

后来逐渐接触到 venv 才明白，做项目最好创建虚拟环境，而不是一股脑把所有包都安装在同一个地方。这解决了我绝大部分的问题，开发环境也变得井井有条。最近我还转向了 uv 来管理开发环境，体验相当不错——不仅安装速度极快，还能统一管理各种版本的 Python。

不过，最近进组接触 AI 相关项目后，发现不少框架都依赖 Anaconda，于是我又重新安装了它，以便环境同步。借此机会，做一个简短的教程记录。

Anaconda 介绍与安装

相对官方的介绍：Anaconda是一个开源的 Python 发行版本，专为数据科学，机器学习和人工智能设计，包含了 Python、Conda 包管理器以及众多科学计算工具。

官方下载连接：https://www.anaconda.com/download

下载完成后执行下面的指令之一（两个效果一样）

conda env listconda info --envs

然后会看到类似下面的输出，其中 base 是默认环境，带 * 的表示当前激活的环境。

# conda environments:#base                  *  /opt/anaconda3myproject                /opt/anaconda3/envs/myproject

安装完 Anaconda 后，建议先配置国内镜像源和更快的依赖解算器，这会让后续安装快上好几倍。

# 设置清华大学镜像源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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/conda config --set show_channel_urls yes# 安装并启用 libmamba 解算器（conda 22.11+ 已内置，可选升级）conda install -n base conda-libmamba-solverconda config --set solver libmamba

Anaconda 基本使用

创建并激活环境

# 创建 test 环境名，并指定 python 版本为 3.10conda create -n test python=3.10# Windows 默认禁止运行脚本，这会导致 Conda 的激活脚本被拦截，执行下面指令即可解决Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser# 激活环境conda activate test

退出并删除环境

# 退出当前的 conda 环境conda deactivate# 删除 test 环境conda remove -n test --all

包管理

在我的理解中，conda 更擅长解决“底层运行时依赖”的问题，尤其是在 AI 与科学计算场景下。例如：CUDA、PyTorch、OpenCV、FFmpeg、NumPy、科学计算库以及各类 C/C++ 扩展模块。因此我现在更倾向于：使用 conda 管理底层运行环境，再使用 pip 或 uv 管理业务层 Python 包。

conda + pip 包管理（最常用）

# 第一步：优先使用 conda 安装底层运行时依赖conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia# 第二步：用 pip 安装业务依赖（纯 Python 包）pip install fastapi uvicorn pydantic

conda + uv 包管理（速度快）

# 若没安装 uv ，首先执行下面的命令powershell -c "irm https://astral.sh/uv/install.ps1 | iex"      # windowscurl -LsSf https://astral.sh/uv/install.sh | sh                # ubuntu/mac# 验证 uv 是否安装成功uv --version

# 第一步：优先使用 conda 安装底层运行时依赖conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia# 第二步：用 uv 安装包（用法和 pip 类似）uv pip install fastapi uvicorn pydantic

这里并没有完全采用 uv 的 pyproject.toml 工程化工作流，而是更多将 uv 当作 pip 的高速替代方案使用。因为目前很多 AI 项目依然基于 requirements.txt 构建，因此这种方式在实际开发中会更加兼容。

导出与重建环境

# 导出环境conda env export > environment.yml# 重建环境conda env create -f environment.yml# 更新已有环境conda env update -f environment.yml --prune

不过需要注意的是： 直接导出的 environment.yml 有时会包含大量平台相关依赖（比如一些 linux 中才会存在的内容），因此实际项目中，通常还会手动精简部分内容，避免跨平台时出现兼容问题。

结语

以前我一直觉得：Anaconda 太重、太慢，甚至很多时候有些“黑盒”。尤其是在接触了 venv 与 uv 之后，会明显感受到现代 Python 开发工具的轻便与简洁，在速度与体验上非常优秀。但真正开始接触 AI 项目后，我才逐渐意识到：conda 解决的很多时候并不是简单的 Python 包安装问题，而是复杂运行时环境的统一管理。尤其是在 CUDA、PyTorch、深度学习等这些场景下，环境稳定性往往比安装速度更加重要。

因此，我现在在人工智能场景下的使用方式逐渐演变为：conda 负责底层运行时环境，pip / uv 负责业务层 Python 包。而对于 Web 开发、小型项目而言，uv 依然是首选。所谓不同工具解决不同问题，而不是单纯比较谁“更先进”。