再见 Pip/Conda，你好 uv：Python 开发的“光速”革命

关注

原创 2026-02-26 14:20:23 826 阅读 AI 写同款· GEO 优化 ›

10 倍速度、零臃肿：为什么我狠心抛弃 conda 投奔 uv？在“纯 Python 项目”场景下，uv 把 conda 按在地上摩擦：冷启动10×提速、磁盘90%瘦身、CI2-3×加速。如果你还在用 conda 跑 Web 服务，是时候考虑“断舍离”了。场景uv 单飞uv + 系统包纯 conda纯 Web/API场景uv 现状conda 优势折中方案需手动装 nvidia-wheel一键pixi（Rust 写的 conda 前端）只能 pip 轮子conda-forge 提供高度优化二进制用micromamba做轻量环境。阅读详情

摘要：还在为 Python 的环境管理头秃？还在 pip、poetry、conda 之间反复横跳？是时候看看 uv 了。这个由 Rust 编写的“瑞士军刀”，正在以 100 倍的速度重塑 Python 开发体验。

做 Python 开发最痛苦的是什么？往往不是写代码，而是配置环境。

Web 开发者习惯用 venv + pip，数据科学家离不开 Conda，而追求规范的项目组则在大力推行 poetry。工具有很多，但即使是目前最流行的工具，也面临着慢（Conda 的 Solving environment...）、繁琐（手动管理 venv）和依赖冲突等顽疾。

就在我们习以为常时，uv 横空出世了。

作为一名从 Java 转战 Python 的开发者，我一直在寻找类似 Maven/Gradle 那种“又快又稳”的统一解决方案。在使用 uv 一周后，我毫不犹豫地卸载了其他工具。

今天就来聊聊，为什么 uv 是 2026 年 Python 开发者的首选。

⚡ 什么是 uv？为什么它这么快？

uv 是由 Astral 团队（也就是超快 Linter 工具 Ruff 的开发者）开发的。它的核心卖点非常简单粗暴：

Rust 编写：利用 Rust 的内存安全和极致性能，它的依赖解析速度比 pip-tools 快 10-100 倍。
All-in-One：它不是单纯的 pip 替代品，它是 Cargo (Rust) / Maven (Java) / npm (Node) 级别的全能项目管理器。
- 它能安装 Python (替代 pyenv)
- 它能管理依赖 (替代 pip/poetry)
- 它能运行脚本 (替代 venv activation)
- 它能管理全局工具 (替代 pipx)

💻 全平台安装指南

不管你是 Windows 死忠粉，还是 Linux 服务器管理员，安装 uv 都只需要一行命令。

Windows 用户 (PowerShell)

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

🐧 Linux / macOS / WSL 用户

对于 Linux 服务器、WSL 子系统或 macOS，使用以下命令：

curl -LsSf https://astral.sh/uv/install.sh | sh

提示：安装完成后，uv 会自动更新你的 Shell 配置文件。如果没有生效，请运行 source ~/.bashrc 或重启终端。

🥊 巅峰对决：uv vs. Conda

对于很多数据科学和 AI 开发者来说，Conda 是绕不开的大山。那么 uv 能取代 Conda 吗？

1. 速度差异：降维打击

Conda：你一定经历过 Solving environment... 转圈转了十几分钟最后报错的绝望。Conda 的解析器使用的是 SAT Solver，随着包数量增加，计算量呈指数级上升。
uv：采用 PubGrub 算法（Dart 语言的解析器算法）并用 Rust 实现。即使是安装 PyTorch 这样的大型库，uv 的解析也是毫秒级的。

2. 定位差异

Conda：它是语言无关的包管理器。它不仅管 Python，还管 CUDA、C++ 库、ffmpeg 等二进制依赖。
uv：它是Python 专属的工具。它专注于 PyPI 生态。

3. 该怎么选？

** ✅ 必须转用 uv 的场景**：如果你主要做 Web 开发、后端服务、自动化脚本，或者你的依赖都能在 PyPI 上找到（现在的 Wheels 包已经非常完善，包括大多数 AI 库），uv 是绝对的碾压优势。
** ⚖️ 保留 Conda 的场景**：如果你的工作环境极度依赖非 Python 的底层库（例如极老版本的系统需要特定的科学计算库），Conda 目前仍有优势。
** 🚀 最佳实践**："Conda 为辅，uv 为主"。你可以创建一个空的 Conda 环境来获得 Python 和基础系统库，然后在里面使用 uv 来管理所有 Python 包的安装。你会发现速度提升了不止一个量级。

🚀 核心功能实战

1. Python 版本管理：忘掉官网下载器

以前我们要去 Python 官网下载 .exe 安装，现在：

# 安装 Python 3.12
uv python install 3.12

# 寻找并列出所有可用版本
uv python list

uv 会自动下载解压，完全不污染你的系统注册表，这对 Linux 服务器上的多版本管理尤为方便。

2. 项目初始化：像 Maven 一样规范

开始一个新项目，不再是手动创建文件夹：

# 初始化项目
uv init my-awesome-project
cd my-awesome-project

# 添加依赖 (自动创建虚拟环境 + 写入 pyproject.toml + 生成 uv.lock)
uv add requests pandas

这不仅安装了包，还生成了 uv.lock 文件。这意味着你的队友 pull 下代码后，执行 uv sync，就能获得和你比特级一致的运行环境。

3. 已有项目的“项目初始化”怎么做？

如果你手头已经有一个写了一半的项目，或者从 GitHub 克隆了一个老项目，你可以通过以下步骤让它无缝接入 uv：

情况 A：项目里什么配置文件都没有（只有 .py 代码） 直接在项目根目录运行：

uv init

发生了什么：uv 会发现这里已经有代码了，所以它不会覆盖你的代码，而是仅仅在当前目录生成一个 pyproject.toml（项目配置文件）和一个 .python-version（如果指定了版本）。接着你就可以用 uv add <库名> 把需要的依赖一个个加进去了。

情况 B：项目里有一个老旧的 requirements.txt 你想把这个旧项目迁移到现代的 uv 工作流：

# 1. 在当前目录初始化 pyproject.toml
uv init

# 2. 批量将 requirements.txt 里的依赖读取并写入到 pyproject.toml 中
uv add -r requirements.txt

发生了什么：uv 会自动解析你旧的 requirements.txt，把它们转换成现代的标准格式写进 pyproject.toml，同时为你创建虚拟环境并极速下载所有包。

情况 C：项目里已经有 pyproject.toml（比如其他现代工具创建的） 直接运行：

uv sync

发生了什么：uv 会读取现有的配置，直接为你建立 .venv 虚拟环境，并把环境调整到与配置完全一致的状态。

4. 零感知的虚拟环境

你是否厌倦了每次打开终端都要 .venv\Scripts\activate 或者 source .venv/bin/activate？使用 uv，你只需要在命令前加一个 run：

# 自动使用当前项目的虚拟环境运行脚本
uv run main.py

它会自动检测环境，如果环境坏了，它甚至会在运行前自动修复它。

💡 进阶：击中痛点的设计

💾 磁盘空间的救星

对于需要在多个项目中使用同一依赖（如 torch 或 pandas）的开发者，uv 采用了全局缓存 + 硬链接 (Hard Link) 的机制。

Maven/Conda 模式：10 个项目用了 pandas，硬盘往往就存了多份冗余。
uv 模式：硬盘只存 1 份 pandas，所有项目通过硬链接指向它。结果：安装速度是毫秒级的，磁盘占用几乎不增长。

🛠 脚本化与工具化

有些工具我们只想临时用一下（比如 black 格式化代码），不想安装到项目里：

# 下载、运行、然后清理，不留痕迹
uvx black .

uvx black . 是什么东西？

要理解这个命令，我们需要把它拆开来看：

black：这是 Python 社区最著名的代码格式化工具。它的作用是自动把你的代码排版得整整齐齐（类似于 IDEA 里的 Ctrl+Alt+L）。
.：代表当前目录，意思是格式化当前目录下的所有 Python 文件。
uvx：这是 uv tool run 的简写。它是 uv 提供的一个极其强大的功能（灵感来自 Node.js 的 npx）。

传统的痛点：以前你想用 black 格式化代码，你得先把它 pip install 安装到你的项目里，但这会污染你的项目依赖（毕竟格式化工具不是项目运行必须的库）。 uvx 的魔法：uvx black . 的意思是：“在后台悄悄拉取 black 这个工具，在一个临时的、隔离的沙箱环境里运行它，格式化我的代码，运行完毕后立刻把沙箱销毁，不要留下任何痕迹。”

这样，你随时随地都能调用各种强大的 Python CLI 工具（比如爬虫工具、代码检查工具），而完全不需要在本地安装它们。

📝 写给 Java/C++ 背景开发者的类比

如果你熟悉其他语言的生态，可以这样理解 uv 的定位：

Python 传统工具栈	uv 的角色	Java 对标	Node.js 对标
pyenv / Conda	`uv python`	SDKMAN! / JDK Installer	nvm
pip	`uv pip`	此时还没生成 pom.xml	npm install (no save)
venv / Conda Env	(内置自动管理)	JVM Classpath	node_modules
poetry / pip-tools	`uv add / lock`	Maven / Gradle	npm / yarn
pipx	`uv tool`	-	npm install -g

🧰 核心 `uv` 命令清单 (Cheat Sheet)

这里按照日常开发流程，为你整理了最常用的命令：

🟢 1. 全局 Python 版本管理

命令	作用
`uv python list`	查看系统已安装和可供下载的 Python 版本
`uv python install 3.12`	下载并安装指定的 Python 版本
`uv python pin 3.11`	将当前项目锁定使用 3.11 版本（会生成 `.python-version` 文件）

🔵 2. 项目与依赖管理 (现代标准工作流)

命令	作用
`uv init`	在当前目录初始化一个新项目（生成 `pyproject.toml`）
`uv add pandas`	为项目添加一个依赖（会自动更新配置并安装）
`uv add pytest --dev`	添加一个仅在开发环境下需要的依赖
`uv remove pandas`	从项目中移除一个依赖
`uv sync`	同步环境（根据配置文件，自动创建/更新 `.venv`，确保环境一致）
`uv lock`	手动更新 `uv.lock` 锁定文件（解析最新版本但不立即安装）

🟡 3. 代码与工具运行

命令	作用
`uv run main.py`	自动激活当前项目的虚拟环境，并运行 `main.py`
`uv run flask run`	自动激活虚拟环境，并运行已安装的框架命令
`uvx <tool>`	在临时隔离环境中运行某个全局工具（不污染当前项目）
`uv tool install <tool>`	将工具安装为全局可用的命令行命令（类似 `pipx`）

🟠 4. 兼容老旧的 Pip 习惯 (如果你依然想手动管理)

注意：这些命令主要用于没有 pyproject.toml 的临时脚本环境。

命令	作用
`uv venv`	在当前目录手动创建一个 `.venv` 虚拟环境
`uv pip install requests`	极速安装包到当前的虚拟环境中（不写入配置文件）
`uv pip install -r req.txt`	极速批量安装旧配置文件里的包