Python 虚拟环境避坑：venv、conda 与 uv 怎么选

几乎每个 Python 开发者都被虚拟环境坑过：明明 pip install 成功了，运行却报 ModuleNotFoundError；换一台电脑，项目死活跑不起来；两个项目依赖版本互相打架，升级一个、崩掉另一个。这些问题大多不是代码的错，而是环境没管好。今天就聊聊 venv、conda、uv 这三位选手，帮你选对工具、避开常见的坑。

一、为什么一定要用虚拟环境

Python 默认把第三方包都装到全局的 site-packages 里。A 项目要 requests 2.x，B 项目要 requests 1.x，全局只能留一个版本，迟早打架。更糟的是，系统自带的 Python 一旦被乱装包污染，重装系统级的 Python 会牵连一大片工具。虚拟环境的本质，就是给每个项目一个独立、干净的“包抽屉”，互不干扰。

二、venv：官方标配，轻量够用

venv 从 Python 3.3 起内置，不用额外安装，是最稳妥的起点：

python -m venv .venv
source .venv/bin/activate  # Windows 用 .venv\Scripts\activate
pip install -r requirements.txt

常见坑有三个：第一，忘记激活就在全局装包，事后才发现装错了地方；第二，把 .venv 目录提交进 Git，仓库瞬间膨胀几百兆，记得写进 .gitignore；第三，升级系统 Python 后旧环境可能失效，需要重建。venv 适合纯 Python 项目、教学和小工具，配合 pip freeze > requirements.txt 锁定版本，简单可靠。

三、conda：数据科学的重型武器

conda 不只是 Python 的包管理器，还能安装非 Python 的依赖，比如 CUDA、MKL、GDAL，数据科学领域几乎是标配：

conda create -n ml python=3.12
conda activate ml
conda install numpy pandas scikit-learn

它的坑也不少：安装时默认激活 base 环境，容易在不知不觉中往 base 里装东西；conda 与 pip 混用是重灾区，两种工具各自解析依赖，装出来的环境可能互相覆盖；channel 优先级配错还会装到旧版本。建议用 environment.yml 记录环境，优先用 conda 装，实在没有的包再用 pip 补装，并把这条规则写进团队文档。

四、uv：又快又新的搅局者

uv 是用 Rust 写的 Python 包管理工具，安装和解析依赖的速度比 pip 快一个数量级，正在成为很多新项目的首选：

uv init my-project
uv add requests
uv run python main.py

uv 会生成 uv.lock，把依赖版本精确锁定，团队成员用 uv sync 就能复现一模一样的环境。它的坑主要在“新”：命令和 pip 不完全对应，需要一点学习成本；国内网络环境下要配好镜像源；老项目从 requirements.txt 迁移时要先验证一遍再切换。适合新项目、追求效率的团队和 CI 提速。

五、三者怎么选

一句话建议：新手和轻量项目用 venv；做数据分析、机器学习选 conda（推荐 Miniforge）；新项目想一步到位，直接上 uv。

六、通用避坑清单

1. 一个项目一个环境，绝不在全局装项目依赖。
2. 装包前先确认环境已激活，养成看命令行前缀的习惯。
3. 一定要锁定版本，提交 requirements.txt、environment.yml 或 uv.lock。
4. 不要混用 pip 和 conda，除非你清楚自己在做什么。
5. .venv、pycache 写进 .gitignore，定期清理长期不用的环境。

环境管理没有银弹，只有适合当前项目的选择。先把手头的项目挪进虚拟环境，再按场景挑工具，踩过的坑就不会再踩第二遍。