Python 环境管理对比：uv 与 conda 的核心差异与选型指南

在实际测试中，uv 的安装速度通常比 pip 快 10 到 100 倍。此外，uv 的全局包缓存机制能有效节省磁盘空间，避免重复下载相同的包。

需要注意的是，conda 的包源主要来自 conda-forge 或 defaults，这使其在安装系统级依赖（如 CUDA 库、FFmpeg）时具有天然优势。而 uv 原生兼容 PyPI，对于纯 Python 项目来说更为直接。

Python 版本管理

两者都能管理 Python 版本，但路径不同。conda 通过 channel 安装特定版本的 Python，不依赖系统环境。uv 则支持从官方 python.org 获取解释器，功能虽处于快速迭代期，但已能满足大部分开发需求。

# UV 安装 Python 版本
uv python install 3.12

CLI 工具管理：隔离与便捷

在命令行工具（CLI）管理方面，uv 提供了更现代的解决方案。传统的 conda install black 可能会污染当前环境，而 uv 的 tool install 命令会在隔离环境中安装工具，运行后不留痕迹。

# 临时运行工具，不污染环境
uvx ruff check .

这种机制类似于 pipx，但速度更快，安全性更高，特别适合需要频繁切换不同版本工具的场景。

高级功能：项目初始化与工作区

uv 在项目初始化方面表现突出，内置了 init、add、lock、sync 等命令，完美支持 pyproject.toml 标准。

# 初始化项目
uv init myproject
uv add requests flask

它还支持单文件脚本依赖管理，允许在 .py 文件中声明依赖，运行时自动安装。这对于快速原型开发和自动化脚本非常有用。

# script.py
# /// script
# requires-python = ">=3.8"
# dependencies = ["requests"]
# ///
import requests
print(requests.get("https://httpbin.org/get"))

运行方式也很简单：

uv run script.py

此外，uv 还支持工作区（Workspace），类似于 Cargo 的多项目管理模式，适合大型工程架构。

选型建议

何时选择 conda？

• 需要安装 cudatoolkit、ffmpeg 等非 Python 系统级依赖。
• 团队已有 environment.yml 规范，且习惯使用 Anaconda 生态。
• 在 Windows 环境下遇到复杂的编译问题。
• 主要进行深度学习训练，依赖 PyTorch/TensorFlow 官方推荐配置。

何时选择 uv？

• 追求极致的安装速度和开发效率。
• 开发 Web API、CLI 工具或自动化脚本。
• 偏好现代项目结构（pyproject.toml + 锁文件）。
• 希望用一个工具替代 pip、poetry、pipx 等多个工具。

混合使用方案

当然，两者并非完全互斥。你完全可以结合两者的优势：用 conda 搭建包含 CUDA 等底层依赖的基础环境，然后在其中使用 uv 管理具体的 Python 项目。

# 1. 用 conda 创建基础环境
conda create -n dev python=3.12
conda activate dev

# 2. 在 conda 环境中安装 uv
pip install uv

# 3. 用 uv 管理你的项目
uv venv .venv
uv add fastapi sqlalchemy
uv run main.py

这样既能享受 conda 在底层依赖上的稳定性，又能体验 uv 在现代 Python 开发中的速度优势。工具的选择没有绝对的对错，关键在于匹配你的具体工作流和项目需求。