Windows 上使用 Conda 轻松管理多个 Python 版本

下面我以 Miniconda（轻量版 Conda）为例，一步步带你配置。全程只需 10 分钟，且不需要管理员权限。

第一步：安装 Miniconda（推荐）

为什么不装 Anaconda？因为它太大（500MB+），包含大量你可能用不到的库。Miniconda 只有 ~50MB，干净清爽。

1. 访问官网：https://docs.conda.io/en/latest/miniconda.html
2. 下载 Windows 64-bit (exe installer)（除非你用 32 位系统）
3. 双击运行安装程序： 勾选 'Add to PATH'（方便后续使用，虽然官方不建议，但对新手友好），示例如下： （1）'Add Anaconda3 to my PATH environment variable'（将 Anaconda 加入环境变量，这样后续在命令行里能直接调用 conda）； （2）'Register Anaconda3 as my default Python 3.9'（将 Anaconda 自带的 Python 作为默认 Python 版本，可选，不影响后续多版本管理）。

安装位置建议选默认（如 C:\Users<你的用户名>\miniconda3），避免中文或空格路径。

安装完成后，打开 Anaconda Prompt（conda 专属命令行）,如果安装时配置了环境变量，也可通过 PowerShell 或 CMD，输入：

conda --version

如果看到版本号（如 conda 24.5.0），说明安装成功！

补充：Anaconda 和 Miniconda 的区别（新手必看）

很多小伙伴会混淆 Anaconda 和 Miniconda，这里简单说下：两者都是 conda 的发行版，核心功能完全一样，区别只在'附带工具'：

• Anaconda：'全家桶'，自带了 Python、conda，还有大量常用的第三方库（比如 numpy、pandas、matplotlib），适合数据科学新手，下载后就能直接用，不用再手动装很多库；
• Miniconda：'精简版'，只带了 Python 和 conda，没有附带其他库，体积更小，适合追求轻便、知道自己需要什么库的开发者。

新手建议先从 Anaconda 入手，减少初期配置成本；如果你的电脑存储空间比较紧张，选 Miniconda 也没问题。下面的实操步骤，两者通用。

第二步：创建不同 Python 版本的环境

假设你现在要同时维护两个项目： 项目 A：需要 Python 3.9 项目 B：需要 Python 3.11

创建环境：

# 创建名为 py39 的环境，使用 Python 3.9
conda create -n py39 python=3.9
# 创建名为 py311 的环境，使用 Python 3.11
conda create -n py311 python=3.11

解释：'conda create'是创建环境的命令，'-n py39'表示环境名为 py39（可以自定义，比如'python39_project'），'python=3.9'指定该环境的 Python 版本为 3.9。执行后，conda 会提示要安装的包（包括 Python 3.9 解释器和相关依赖），输入'y'并回车，等待安装完成（大概 1-2 分钟）。

第三步：激活 & 使用环境

激活 py39 环境：

conda activate py39
# 查看当前 Python 版本
python --version

输出：Python 3.9.x

安装项目依赖：（只影响当前环境）

pip install django==4.2

退出当前环境：

conda deactivate
# 切换到另一个环境
conda activate py311

第四步：日常管理技巧（超实用！）

小贴士：把 environment.yml 提交到 Git，团队成员就能一键复现你的开发环境！

第五步：与 IDE 配合（VS Code / PyCharm）

VS Code： 按 Ctrl+Shift+P → 输入 'Python: Select Interpreter' → 选择对应环境下的 python.exe（通常在 miniconda3\envs\py39\python.exe）

PyCharm： File → Settings → Project → Python Interpreter → Add → Conda Environment → Existing environment → 选择路径

这样，你在 IDE 里写代码、调试、运行，都会自动使用正确的 Python 版本和依赖。

四、常见问题解决：新手最容易踩的坑

很多小伙伴在操作过程中会遇到一些小问题，这里整理了几个高频问题和解决方案，帮大家避坑：

1. 命令行输入'conda'提示'不是内部或外部命令'

原因：安装时没勾选'Add Anaconda3 to my PATH environment variable'，conda 没被加入系统环境变量。

解决方案：

• 方法一（简单）：直接打开 Anaconda Prompt，在这个专属命令行里用 conda 命令，不用配置环境变量；
• 方法二（永久解决）：手动添加环境变量。右键'此电脑'→'属性'→'高级系统设置'→'环境变量'→在'系统变量'里找到'Path'→点击'编辑'→添加 Anaconda 的安装路径（比如'D:\Anaconda3'）和'D:\Anaconda3\Scripts'→点击'确定'保存，然后重启 cmd 即可。

2. 创建环境时提示'Solving environment: failed'

原因：conda 的默认镜像源在国外，下载速度慢，导致依赖解析失败。

解决方案：添加国内镜像源（清华镜像），步骤如下：

1. 在 Anaconda Prompt 里输入以下命令，依次回车：

   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
   conda config --set show_channel_urls yes
   

2. 添加完成后，重新执行创建环境的命令即可。

3. 切换环境后，Python 版本还是默认的

五、为什么推荐 Conda 而不是 pyenv-win？

在 Windows 上，也有 pyenv-win 这样的工具，但它存在一些痛点：

• 安装复杂，依赖 PowerShell 权限设置；
• 无法同时管理包依赖，仍需配合 venv；
• 对科学计算库支持弱，很多包仍需手动编译。

而 Conda 一体化解决了'Python 版本 + 包管理 + 跨平台兼容'三大问题，尤其适合数据科学、AI、Web 开发等多场景。 当然，如果你只做纯 Web 开发（如 Flask/Django），且不用 NumPy/TensorFlow，也可以考虑 pyenv-win + venv。但对大多数 Windows 用户，Conda 是更省心的选择。

结语：让环境管理不再成为负担

技术不该是障碍，而应是助力。