Python UV 工具介绍：Windows 安装方法与基础用法

.venv\Scripts\activate # Windows 

典型工作流示例

假设新建项目 demo：

mkdir demo && cd demo
uv init
echo "requests"> pyproject.toml # 手动编辑依赖
uv sync # 自动创建 .venv 并安装
.venv\Scripts\activate
uv pip list # 查看已安装包

为什么选择 UV？

• 速度碾压传统工具：依赖解析和安装耗时仅为 pip 的 1/10。
• 一体化管理：无需额外安装 virtualenv 或 pyenv，直接管理 Python 版本和依赖。
• 跨平台支持：Windows/Linux/macOS 命令一致，减少学习成本。
• 现代化标准：支持 pyproject.toml，与 Rust/Node.js 生态对齐。

若你受够了 pip 的缓慢和 conda 的臃肿，UV 是当前最优解。

Python 虚拟环境创建方式对比

Python 虚拟环境创建方式多样，除了 uv 之外，以下是其他主流方法及对比：

1. 内置工具：venv 模块

适用场景：Python 3.3+ 原生支持，无需安装额外工具

# 创建环境
python -m venv .venv
# 激活（Windows）
.venv\Scripts\activate 

特点：

• ✅ 无需安装，开箱即用
• ❌ 依赖解析功能较弱，不支持跨 Python 版本管理

2. 第三方工具：virtualenv

适用场景：兼容 Python 2/3，老项目维护

# 安装
pip install virtualenv
# 创建环境
virtualenv myenv
# 指定 Python 版本（需已安装）
virtualenv -p /path/to/python myenv 

特点：

• ✅ 支持旧版 Python
• ✅ 灵活指定解释器路径
• ❌ 依赖 pip 安装，功能单一

3. 集成化工具：pipenv

适用场景：依赖管理 + 虚拟环境一体化

# 安装
pip install pipenv
# 创建环境并安装包
pipenv install requests
# 激活
pipenv shell 

特点：

• ✅ 自动生成 Pipfile 和 Pipfile.lock
• ✅ 依赖解析更严谨
• ❌ 性能较慢，社区活跃度下降

4. 科学计算生态：conda

适用场景：数据科学/跨语言依赖管理

# 创建环境
conda create -n myenv python=3.11
# 激活
conda activate myenv

特点：

• ✅ 支持非 Python 包（如 C++ 库）
• ✅ 内置 Python 版本管理
• ❌ 安装包体积大（约 500MB）

5. 现代工具链：poetry

适用场景：项目打包与依赖管理深度集成

# 初始化项目（自动创建环境）
poetry new myproject
poetry install
# 激活
poetry shell 

特点：

• ✅ 自动生成 pyproject.toml
• ✅ 支持依赖分组（dev/test）
• ❌ 学习成本较高

横向对比

选择建议

• 追求极速：优先选 uv
• 简单隔离：用内置 venv
• 科学计算：选 conda
• 项目发布：用 poetry
• 旧版兼容：选 virtualenv