再见 Pip/Conda，你好 uv：Python 开发的“光速”革命

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：

💻 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：

🧰 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

🔵 2. 项目与依赖管理 (现代标准工作流)

🟡 3. 代码与工具运行

🟠 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。

🔴 5. 缓存与清理

🏁 总结

Python 的打包生态曾经是一团乱麻，但 uv 的出现就像是一把奥卡姆剃刀，砍掉了所有不必要的复杂性。

它快得惊人，稳得可怕。如果你的团队还在为 requirements.txt 的版本冲突扯皮，或者因为 conda install 卡在 Solving 环境而摸鱼，请立刻把这篇文章转发给他们。

拥抱 uv，让 Python 回归简单。

参考链接：Astral/uv GitHub