conda

venv + pip 只能管理 Python 包，一旦项目依赖 NumPy、PyTorch 这类背后绑定了 C/C++/CUDA 等非 Python 二进制库的科学计算包，纯 pip 安装经常会遇到编译失败、系统库版本不匹配等问题。conda 是跨语言的包与环境管理器，既能管理 Python 版本本身，也能管理这些底层二进制依赖，是数据科学和机器学习领域的事实标准。

安装

conda 有两种常见发行版：

• Anaconda：包含数百个预装的数据科学包，体积大（数 GB），适合新手一次装全。
• Miniconda / Miniforge：只包含 conda 本身和少量基础包，体积小，按需安装，推荐用于服务器和生产环境。Miniforge 默认使用社区维护的 conda-forge 渠道，许可更宽松。

# 以 Miniforge 为例（Linux/macOS），下载后静默安装
bash Miniforge3-$(uname)-$(uname -m).sh -b

# 安装完成后初始化 shell
conda init bash   # 或 zsh / fish 等

创建与管理环境

# 创建一个指定 Python 版本的环境，并预装若干包
conda create --name myenv python=3.12 numpy pandas

# 激活 / 退出环境
conda activate myenv
conda deactivate

# 查看所有环境
conda env list

# 在已有环境中安装包（默认从 defaults 渠道）
conda install --name myenv matplotlib

# 从指定渠道安装（conda-forge 社区维护，包更新更快、更全）
conda install conda-forge::numpy

# 删除环境
conda env remove --name myenv

环境的导出与复现

# 导出当前激活环境的完整依赖到 YAML 文件
conda export > environment.yaml

# 在另一台机器上根据该文件重建环境
conda env create -f environment.yaml

environment.yaml 和 requirements.txt 的作用类似，但能同时描述 Python 版本、conda 包和 pip 包，适合团队共享包含二进制依赖的复杂环境。

小结

conda 的核心优势是能管理非 Python 的二进制依赖（CUDA、MKL、编译好的科学计算库等），代价是环境体积更大、依赖求解速度通常比 pip/uv 慢。日常 Web 开发、纯 Python 项目没有必要引入 conda；但涉及深度学习、需要 GPU 加速库或复杂 C 扩展的项目，conda（或 Miniforge）仍然是更省心的选择。