如果你写过几年 Python，大概都经历过这些时刻：- 新开一个项目，
pip install 一个稍大的包，进度条半天不动，喝完一杯咖啡还没装完； - 好不容易在本地跑通的代码，发给同事却报错"ImportError"，排查半天发现是依赖版本不一致；
- 想试一下 Python 3.12 的新特性，却发现系统里切换版本比装包还麻烦；
- 虚拟环境、requirements.txt、pip、pip-tools、pyenv、poetry……工具一抓一大把，但彼此之间总差点默契。
这些痛点的根源，是 Python 的工具链长期"各自为战"。而今天要介绍的主角uv，正是为解决这种碎片化而来。它用一种近乎"降维打击"的方式，把上述所有工具的角色收进了一个命令里。
本文面向入门读者，重点讲清三件事：uv 是什么、怎么装、日常最常用的操作怎么用，并配可直接复制运行的示例。
一、uv 是什么
uv是由Astral团队（也就是写出极速 Python 代码检查工具 Ruff 的那家公司）用Rust编写的 Python 包与项目管理工具。它的定位非常清晰：
一个工具，替代 pip、pip-tools、pipx、poetry、pyenv、virtualenv、twine 等一整套传统工具。
官方给出的几个关键标签：
- 极快：比 pip 快 10–100 倍，依赖解析与安装几乎秒级完成；
- 一体化：管理 Python 版本、虚拟环境、依赖、锁文件、脚本、命令行工具，甚至打包发布；
- 磁盘友好：全局缓存自动去重，多项目共享同一份下载；
- 零门槛安装：不需要预先装好 Python 或 Rust，一条命令即可装好；
- 全平台：macOS、Linux、Windows 均支持。
对大多数"写业务代码、做数据分析、跑自动化脚本"的场景来说，uv 几乎可以完全接管你的 Python 环境工作流。
小提示：如果你的工作涉及 CUDA、需要 C/C++ 编译的系统级库，或重度依赖 PyTorch 这类带二进制分发的深度学习框架，传统 Conda 仍有其优势。uv 与 Conda 并非互斥——普通 Python 项目用 uv，异构环境用 Conda，是很多团队的现实选择。
二、三分钟装好 uv
uv 的安装方式非常灵活，挑一种适合你的即可。
macOS / Linux（官方推荐）
curl -LsSf https://astral.sh/uv/install.sh | sh
Windows（PowerShell）
powershell -ExecutionPolicy ByPass -c ”irm https://astral.sh/uv/install.ps1 | iex”
通过已有的包管理器
pip install uv# 已有 pip 时pipx install uv# 用 pipxbrew install uv# macOS 用 Homebrew
安装完成后，验证一下：
uv --version# 输出类似：uv 0.9.8
如果以后想升级 uv 自身，独立安装的用户直接执行：
国内用户配置镜像源（强烈建议）
由于默认从 PyPI 官方源下载，国内网络可能偏慢。可以在项目或全局配置中使用镜像，例如清华大学源：
# 临时生效（单次命令）UV_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple uv pip install pandas# 写入项目配置（pyproject.toml）# [tool.uv]# index-url = ”https://pypi.tuna.tsinghua.edu.cn/simple/”
三、先理解三个核心概念
在动手前，记住 uv 管理的三类对象，后面所有的命令都围绕它们展开：
- 项目（Project）：一个带
pyproject.toml 的目录。uv 会生成 uv.lock 锁文件，确保"本机、同事、服务器"三方依赖完全一致。 - 脚本（Script）：单个
.py 文件。uv 支持在文件顶部内联声明依赖，运行时自动创建隔离环境。 - 工具（Tool）：由 Python 包提供的命令行程序（如 Ruff、Black）。用
uvx 可临时运行，用 uv tool install 可常驻安装。
看到这里你可能已经发现：uv 的哲学是把"环境"这件事彻底自动化，能不让你手动 activate 就不让你手动。
四、最常用的操作与示例
下面按日常使用频率，逐一演示。所有命令均可直接复制运行。
1. 初始化一个项目
uv init my_projectcd my_project
执行后会自动生成 pyproject.toml、.python-version、README.md 和源码目录。无需手动 python -m venv。
2. 添加依赖
uv add requests# 添加运行时依赖（最新版）uv add ”pandas>=2.0.0”# 指定版本范围uv add --dev pytest ruff# 开发依赖（测试、格式化），不进生产环境uv add ”django>=4.0,<5.0”# 精确约束uv remove requests# 移除依赖
每执行一次 uv add，uv 都会自动更新 pyproject.toml 并刷新 uv.lock。你几乎不需要手写 requirements 文件。
3. 运行代码（无需手动激活环境）
这是 uv 最省心的设计之一——运行命令时自动使用项目隔离环境：
uv run python main.py# 运行脚本uv run pytest# 运行测试uv run -m http.server 8000# 以模块方式启动
第一次运行时会自动创建 .venv 并安装依赖，之后直接复用，不必再 source .venv/bin/activate。
4. 锁定与同步（可复现环境的关键）
uv lock# 重新计算并写入 uv.lockuv sync# 严格按锁文件安装依赖到 .venvuv sync --no-dev# 只装生产依赖
团队协作时，把 pyproject.toml 和 uv.lock 一起提交到 Git。同事克隆后只需：
即可获得与你完全相同的环境——版本、补丁号、解析结果全部一致。这对复现实验结果、部署服务尤其重要。
5. 管理 Python 版本（替代 pyenv）
uv 甚至能自己下载安装 Python，不必依赖系统已装的版本：
uv python list# 查看已安装/可下载的版本uv python install 3.11 3.12# 自动下载安装多个版本uv python pin 3.12# 为当前项目固定版本（写入 .python-version）
固定之后，进入该目录时 uv 会自动使用 3.12，本地没有就提示你安装。跨版本测试也很方便：
uv run --python 3.10 pytestuv run --python 3.12 pytest
6. 虚拟环境（兼容传统习惯）
如果你更习惯显式创建虚拟环境：
uv venv# 在当前目录创建 .venvuv venv --python 3.11# 指定版本source .venv/bin/activate# Linux/macOS 激活.venv\Scripts\activate# Windows 激活
7. 临时运行工具（uvx，替代 pipx）
很多小工具你只是偶尔用一次，不想污染全局环境。uvx 会在临时环境里跑完即清：
uvx ruff check .# 临时做代码检查uvx pycowsay ”hello”# 跑个一次性小工具
需要长期使用时，再固化安装：
uv tool install ruff# 安装后可全局直接调用 ruff
8. 兼容旧工作流的 pip 接口
已有 requirements.txt 的老项目？uv 提供几乎一字不差的 pip 兼容命令，速度却快得多：
uv pip install -r requirements.txt# 代替 pip install -ruv pip compile requirements.in -o requirements.txt# 解析并锁定uv pip sync requirements.txt# 严格按文件同步
这让你可以在不改造现有流程的前提下，先享受速度红利。
9. 给单文件脚本声明依赖
写个小脚本做数据抓取或一次性分析，不必建整套项目：
# example.pyimport requestsprint(requests.get(”https://astral.sh”).status_code)
uv add --script example.py requests# 在文件顶部写入内联依赖声明uv run example.py# 自动装依赖并运行
uv run 会为这个脚本单独建立隔离环境，跑完即走，绝不污染你的全局 Python。
10. 打包与发布
当项目要发布到 PyPI 时：
uv build# 生成 dist/ 下的 sdist 与 wheeluv publish# 发布到索引（需提前配置凭证）
至此，连 twine 的角色也被 uv 收编了。
五、一个完整小例子：数据分析项目
把上面的命令串成一条真实工作流。假设你要做一个读取 CSV、做简单统计的小项目：
# 1. 建项目并进入uv init sales_analysis && cd sales_analysis# 2. 固定 Python 版本uv python pin 3.12# 3. 加依赖：pandas 跑分析，pytest 写测试uv add pandasuv add --dev pytest# 4. 写代码（src/sales_analysis/main.py）# import pandas as pd# df = pd.read_csv(”sales.csv”)# print(df[”amount”].mean())# 5. 运行（自动建环境、装依赖）uv run python src/sales_analysis/main.py# 6. 锁定并同步，保证同事拿到一致环境uv lockuv sync
整套流程里，你一次 activate 都没敲过，版本冲突的隐患在 uv.lock 的统一约束下被提前消灭。
六、总结与行动建议
把本文浓缩成三句话：
- uv 用 Rust 重写了 Python 的依赖与环境管理，速度比 pip 快一个数量级，并一个人干完了 pip、virtualenv、pyenv、poetry、pipx 的活。
- 核心工作流只有四步：
uv init 建项目 → uv add 加依赖 → uv run 跑代码 → uv sync / uv lock 保证可复现。 - 迁移成本极低：老项目可用
uv pip 直接兼容，新项目从第一天就用 uv，几乎零负担。
如果你正被慢吞吞的 pip 和混乱的虚拟环境困扰，不妨就从下一个新项目开始，把第一行命令换成 uv init。几分钟之后，你大概会和我一样，再也不想回到从前。
curl -LsSf https://astral.sh/uv/install.sh | sh && uv --version
10个月宝宝每天需要喝多少奶粉？
