pip 已经老了！2026 年最值得尝试的 Python 包管理工具——UV 完全指南

文章摘要

还在为 pip install 的龟速抓狂吗？还在 conda 和 virtualenv 之间反复横跳吗？

本文带你深入了解 UV —— 这款由 Astral 团队（Ruff 作者）打造的下一代 Python 包管理工具。基于 Rust 编写的它，依赖解析速度比 pip 快 10-100 倍，创建虚拟环境仅需 10ms。

从安装配置到镜像源优化，从项目初始化到日常开发，一文讲透 UV 的核心用法和实战技巧。读完这篇文章，你将彻底告别 Python 包管理的痛苦，享受丝滑般的开发体验。

三、开头

那个让我怀疑人生的下午

上周三下午三点，新来的实习生小王跑过来找我：

“哥，我环境配了一上午了，pip 一直卡在下载依赖那里……”

我走过去一看，好家伙：

• 终端里 pip install numpy pandas scikit-learn 已经跑了 8 分钟
• 进度条卡在 47% 一动不动
• 小王的表情已经从期待变成了绝望 😅

我当时就笑了——这场景太熟悉了。

想当年我也是这么过来的：

$ pip install -r requirements.txt
# 等待中… 1分钟… 3分钟… 5分钟…
# Collecting tensorflow (2.4GB)
# 还要等 15 分钟… ❌

Python 的包管理，简直就是开发者的噩梦。

• pip 慢得像蜗牛爬
• conda 重得像头大象
• virtualenv 还要搭配一堆工具才能用

直到我遇到了 UV。

第一次用它的时候，我以为终端坏了——

因为太快了，快到我还没反应过来，就已经装完了。

今天这篇文章，我就把 UV 从入门到上手的完整经验分享给你。

看完就能用，用完就回不去。

四、问题背景

为什么我们被包管理折磨了这么多年？

先说说 pip 的"罪状"

pip 是 Python 的官方包管理器，就像是一个老实但效率低下的老员工。

它的优点：

• ✅ 简单易学
• ✅ 官方支持
• ✅ 生态完善

但缺点也很明显：

❌ 罪状一：慢到让人怀疑人生

# 安装一个常见的数据科学栈
pip install numpy pandas scikit-learn
# 等待时间：约 45 秒 ~ 2 分钟（取决于网络）

我在项目里遇到过这样的场景：

本地 pip freeze > requirements.txt，部署到服务器一跑：

ERROR: Package 'xxx' requires a different Python: ">=3.9" but you have "3.8"

当场崩溃。

原因？requirements.txt 没有精确锁定依赖版本，导致不同机器安装结果不一致。

❌ 罪状二：依赖解析是串行的

想象一下你去超市买东西：

• pip 的方式：一个一个商品去收银台排队结账
• UV 的方式：所有商品一起扫码，一次性结账

这就是为什么大型项目的依赖解析能跑到你怀疑人生。

再看看 conda 的"双面性"

conda 就像是全能但臃肿的瑞士军刀。

优点：

• ✅ 支持非 Python 依赖（CUDA、MKL 等）
• ✅ 环境隔离做得好
• ✅ 科学计算生态完善

缺点：

• ❌ 安装体积大（Miniconda 就几百 MB）
• ❌ 依赖解析逻辑复杂，容易卡住
• ❌ 启动慢，每次激活都要等

最痛苦的：工具链割裂

传统方案需要组合 5 个工具：

5 个工具，5 套命令，5 种配置方式。

新手看完直接劝退，老手也经常记混命令。

我曾经因为忘记激活虚拟环境，把包装到了系统 Python 里，

然后花了两个小时才清理干净…… 😭

UV 是什么？

用一句话解释

UV = pip + virtualenv + pip-tools + pyenv + pipx

一个工具，替代整个 Python 工具链。

谁做的？

Astral 团队——你可能没听过这个名字，但你一定用过他们的另一个产品：

Ruff（那个比 Flake8 快几十倍的 Python linter）

这群人专门做让 Python 开发更快的工具。

核心特性（人话版）

性能实测（官方数据）

看到这些数据，我当时就惊了：

这不是升级，这是降维打击。

五、实战指南：从零上手 UV

5.1 安装 UV（3 种方式任选）

方式一：pip 安装（最简单）

pip install uv

✅ 适合：已经在用 Python，不想折腾的人 ⚠️ 注意：建议在虚拟环境中安装

方式二：官方脚本（推荐 ⭐）

Windows (PowerShell)：

irm https://astral.sh/uv/install.ps1 | iex

macOS / Linux：

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

✅ 优点：获取最新版本，独立于 Python 环境

方式三：Homebrew（macOS/Linux 用户）

brew install uv

验证安装

uv –version
# 输出示例：uv 0.4.27

看到版本号？恭喜你，已经成功一半了！🎉

5.2 配置国内镜像源（⚡ 必做！）

为什么必须换镜像源？

不换的话：

$ uv add requests
# 等待中… 30秒… 60秒…
# Connection timeout ❌
# 或者速度只有几 KB/s（比我奶奶的网还慢）

换完之后：

$ uv add requests
# ✅ 0.8s 完成（快到飞起）

这差距，谁用谁知道。

配置方法（二选一）

✅ 推荐方案：系统级配置（一次配置，永久生效）

Windows (PowerShell)：

[System.Environment]::SetEnvironmentVariable("UV_DEFAULT_INDEX", "https://pypi.tuna.tsinghua.edu.cn/simple", "User")

macOS / Linux：

echo 'export UV_DEFAULT_INDEX=https://pypi.tuna.tsinghua.edu.cn/simple' >> ~/.zshrc && source ~/.zshrc

备选方案：项目级配置

在项目根目录创建 uv.toml：

[tool.uv]
index-url = "https://pypi.tuna.tsinghua.edu.cn/simple"

⚠️ 缺点：每个项目都要配一遍，麻烦

国内镜像源推荐

个人推荐清华源，用了半年没出过问题。

5.3 创建你的第一个 UV 项目（手把手教程）

第一步：初始化项目

# 创建项目目录
mkdir my-project && cd my-project

# 初始化（自动生成配置文件）
uv init

执行后会生成：

my-project/
├── .python-version # Python 版本声明
├── pyproject.toml # 项目配置文件（核心！）
└── uv.lock # 依赖锁文件（首次 sync 后生成）

这些文件都是干嘛的？

• .python-version：告诉 UV 用哪个 Python 版本
• pyproject.toml：项目的"身份证"，记录所有依赖和配置
• uv.lock：环境的"快照"，保证大家的环境一模一样

第二步：查看生成的配置

[project]
name = "my-project"
version = "0.1.0"
description = "Add a short description here"
readme = "README.md"
requires-python = ">=3.11"
dependencies = []

这就是现代 Python 项目的标准格式，比 requirements.txt 规范多了。

第三步：添加依赖

# 添加生产依赖（比如 Web 框架）
uv add fastapi

# 一次添加多个
uv add requests pandas

# 添加开发依赖（测试、代码格式化工具）
uv add –dev pytest
uv add –dev black ruff

添加后，pyproject.toml 会自动更新：

[project]
dependencies = [
"fastapi>=0.115.0",
"requests>=2.32.3",
"pandas>=2.2.3",
]

[dependency-groups]
dev = [
"pytest>=8.3.4",
"black>=24.10.0",
"ruff>=0.8.0",
]

注意看，版本号自动锁定了！

这就是 UV 的智能之处——它帮你选了最合适的版本，避免了版本冲突。

第四步：同步环境

uv sync

这条命令会：

再也不用手动这三步了：

• ❌ python -m venv .venv
• ❌ source .venv/bin/activate
• ❌ pip install -r requirements.txt

现在一条命令搞定一切。

第五步：运行项目

# 直接运行脚本（自动使用 .venv 环境）
uv run main.py

# 运行单个命令
uv run python –version

# 运行测试
uv run pytest

重点来了：不需要手动激活虚拟环境！

UV 会自动识别 .venv，直接在其中运行命令。

这对新手来说太友好了——再也不用纠结"我到底激活了没有"这个问题。

我曾经因为忘了激活环境，

把 pytest 装到了系统 Python 里，

然后其他项目全报错…… 😭

有了 UV，这种蠢事再也不会发生了。

5.4 常用命令速查表（建议收藏）

5.5 进阶技巧（用了就回不去）

1️⃣ 管理 Python 版本

# 安装指定版本的 Python
uv python install 3.11
uv python install 3.12

# 查看已安装的版本
uv python list

# 使用特定版本创建环境
uv venv –python 3.11

UV 内置了类似 pyenv 的功能，不需要额外安装版本管理工具。

以前我要装 Python 3.11 要折腾半天，

现在 uv python install 3.11 一条命令搞定。

真香。⚡

2️⃣ 运行一次性脚本（临时任务神器）

有时候你要写个临时脚本处理数据，不想创建整个项目：

# /// script
# requires-python = ">=3.11"
# dependencies = [
# "requests>=2.32.0",
# ]
# ///
import requests

response = requests.get("https://httpbin.org/get")
print(response.json())

运行时 UV 会自动安装所需依赖：

uv run script.py

非常适合临时脚本和数据清洗任务。

3️⃣ 使用全局工具（替代 pipx）

# 直接运行 CLI 工具，无需永久安装
uvx black –check my_script.py
uvx ruff check .
uvx httpie https://example.com

uvx 是 UV 的全局工具运行器，类似于 pipx，但更快更轻量。

我以前用 pipx 装 black 要等好几秒，

现在 uvx 黑一下就好了。

这种体验差距，用过就懂。😄

4️⃣ 从老项目迁移

如果你有一个用 pip 管理的老项目：

# 进入项目目录
cd your-old-project

# 从 requirements.txt 导入依赖
uv init
uv add -r requirements.txt
# 或者直接转换
uv pip compile requirements.txt -o pyproject.toml

迁移成本极低，基本无痛切换。

六、UV vs 传统工具对比

核心能力对比

选型建议（人话版）

✅ 选 UV 的场景（90% 的情况）

• Web 开发（Django, FastAPI, Flask）
• 自动化脚本和工具开发
• CI/CD 流水线（追求极速构建）
• 容器化部署（Docker 镜像构建）
• 团队协作项目（需要环境一致性）
• 个人学习和练手项目

✅ 选 Conda 的场景（特殊情况）

• 数据科学和机器学习项目
• 需要 CUDA/MKL 等非 Python 依赖
• 科学计算密集型任务

💡 我的建议

90% 的 Python 开发场景，UV 都是最好的选择。

只有涉及科学计算和非 Python 依赖时，才考虑 Conda。

如果你不确定，先用 UV，遇到问题再换 Conda 也不迟。

七、踩坑经验（血泪总结）

在实际项目中使用 UV，我踩过不少坑，现在全部分享给你：

坑 1：镜像源配置不生效

症状：配置了镜像源，但下载还是很慢

原因：环境变量没有重新加载

解决：

# Windows: 重启终端或 CMD
# macOS/Linux:
source ~/.zshrc # 或 source ~/.bashrc

验证是否生效：

echo $UV_DEFAULT_INDEX
# 应该输出你设置的镜像地址

我当时配完以为好了，结果还是慢，

查了半天才发现是终端没重启……

这种低级错误，踩过一次就够了。😅

坑 2：权限问题（Windows 用户注意）

症状：安装时报权限错误

解决：

# 以管理员身份运行 PowerShell
# 或安装到用户目录
irm https://astral.sh/uv/install.ps1 | iex

坑 3：与现有 pip 环境冲突

症状：uv add 之后，pip list 看不到包

原因：UV 使用独立的 .venv 环境，不影响系统 Python

解决：

# 使用 UV 的命令操作环境
uv pip list # 查看 UV 管理的包
uv run python -m pip list # 在 .venv 中运行 pip

这个坑我替你踩过了：

以为 UV 和 pip 共享环境，

结果两边装的包互相看不到，

浪费了半小时排查…… 😤

坑 4：锁文件冲突（多人协作必看）

症状：多人协作时 uv.lock 经常冲突

原因：不同人添加依赖的顺序不同

解决：

# 统一使用 uv sync 同步环境
# 不要手动编辑 uv.lock
git checkout uv.lock # 冲突时恢复
uv sync # 重新生成

我们团队刚开始用 UV 时，

几乎每次合并代码都冲突，

后来约定好只通过 uv sync 管理，

世界清净了。🕊️

八、最佳实践（经验之谈）

基于我的实战经验，总结几点最佳实践：

1️⃣ 始终将 uv.lock 加入版本控制

# .gitignore 中不要忽略 uv.lock
# 确保团队成员使用完全一致的依赖版本

为什么？

因为 uv.lock 锁定了所有依赖的精确版本，保证：

你本地能跑的代码，同事拉下来也能跑。

服务器上能跑的代码，生产环境也能跑。

环境一致性，是团队协作的基石。

2️⃣ 区分生产依赖和开发依赖

uv add fastapi # 生产依赖
uv add –dev pytest # 开发依赖

这样部署时可以跳过测试相关的包，减小 Docker 镜像体积。

我们有个项目光测试依赖就 200MB，

分离后生产镜像小了一半。

构建时间也从 3 分钟降到 1 分钟。⚡

3️⃣ 善用 uv run（减少出错概率）

# 推荐：使用 uv run
uv run pytest

# 不推荐：手动激活环境
source .venv/bin/activate
pytest

特别是多环境切换时，uv run 能避免"忘激活"或"激活错环境"的尴尬。

4️⃣ 定期更新 UV

uv self update

UV 迭代很快，新版本通常会：

• 修复 bug
• 提升性能
• 支持新特性

我每个月都会更新一次，

每次都能感受到明显的速度提升。

这种持续优化的感觉，真好。😄

5️⃣ 团队统一工具链

如果团队决定使用 UV，就全员切换，避免混用导致的环境混乱。

我们团队当初是渐进式迁移的，

结果一半人用 pip，一半人用 UV，

依赖冲突炸了好几次……

后来痛定思痛，全员切 UV，世界和平了。🕊️

九、写在最后

从 pip 到 UV，我的真实感受

说实话，刚接触 UV 时我是怀疑的：

又一个新工具？学习成本值不值？

pip 虽然慢，但能用啊，为什么要换？

但真正用了一周后，我的感受是：

好的工具，能让开发者专注于业务本身，而不是和环境搏斗。

以前配环境要折腾半天：

# 旧方式（3 步）
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
# 然后等待… 等待… 等待…

现在三条命令搞定：

# 新方式（3 步，但快 10 倍）
uv init
uv add fastapi requests
uv run main.py
# 完成！✅

省下来的时间，可以用来：

• 写更多有价值的代码
• 学习新技术
• 或者……早点下班回家陪家人 😄

最后的建议

如果你还在被 Python 的包管理折磨，真心推荐试试 UV。

一旦用过，就回不去了。

不信？你现在就可以打开终端试一下：

# 1. 安装 UV（30 秒）
irm https://astral.sh/uv/install.ps1 | iex

# 2. 创建项目（5 秒）
mkdir test-uv && cd test-uv
uv init

# 3. 添加依赖（2 秒）
uv add requests

# 4. 运行脚本（1 秒）
uv run python -c "import requests; print(requests.__version__)"

# 总耗时：不到 1 分钟 ⚡

感受一下这种丝滑的体验吧。

学习资源

• 官方文档：https://docs.astral.sh/uv/
• 中文文档：https://uv.doczh.com/
• GitHub 仓库：https://github.com/astral-sh/uv
• 视频教程：B站搜索 UV 教程
• 安装指南：https://uv.doczh.com/getting-started/installation/

📖 推荐阅读

• GPT-5.5 变强、Spring AI 更新、Ollama 爆漏洞｜今天值得看的技术热点
• 还在复制粘贴 if-else？模板方法模式，专治重复代码！
• 更多技术干货
• 更多实战经验分享

📌 写文不易，Bug 更不易。

如果这篇文章对你有帮助，可以搜一搜：空门技术栈

这里分享：

• ✅ Java / Spring AI / 企业级项目实战
• ✅ Docker / RAG知识库 / 微服务踩坑
• ✅ Python、前端、AI应用落地
• ✅ 偶尔分享一些「头发保卫战」经验 😆

一个热爱技术、持续填坑的开发者， 陪你一起少踩坑，少加班，多写优雅代码。