4121 字
21 分钟
Windows 配置 Python 环境——从安装到项目管理
2026-04-09BackendPythonWindows开发环境uvconda包管理

[!WARNING] AI 生成内容声明： 本文内容由人工智能辅助生成，经过人工审阅与校对完成。

由于 Python 早期的工程结构非常的放飞自我，官方的 Python 体系在早期就是一个烂摊子，于是就有了各式各样的第三方工具。

这篇文章，就是教你如何使用这些工具快速初始化你的项目。

先搞清楚你要什么

Python 环境管理工具可以分成两大派系：

第一派：PyPI 生态

代表工具：pip、venv、uv、poetry、pdm

  • pip: Python 官方包管理器，最基础
  • uv: 用 Rust 重写，速度极快，目前最推荐
  • poetry: 功能全面，适合库开发
  • pdm: 类似 poetry，但更符合 PEP 标准

特点：只管理 Python 包，从 PyPI 下载。轻量、现代、速度快。

适合：Web 开发、自动化脚本、工具类项目、库开发。

第二派：Conda 生态

代表工具：Miniconda、Miniforge、mamba、pixi

  • conda: 跨语言包管理器，能管 Python + 系统级库
  • miniforge: 社区版 conda，免费，内置 mamba
  • mamba: 用 C++ 重写的 conda，速度快
  • pixi: 用 Rust 写的 conda 包管理器，类似 uv 的体验

特点：conda 从根本上与官方 Python 走的不是一条路，拥有自己的配置文件、软件仓库，甚至连 Python 解释器都是自己编译的。支持 Go、Rust、C++、R 等多种语言，本质上是一个跨语言的独立开发平台，解决深度学习的环境地狱。

适合：数据分析、机器学习、深度学习。

核心原则

不要把任何 Python 添加到系统环境变量。

这是血泪教训。一旦 PATH 里有多个 Python，各种工具会互相打架，排查问题能浪费你一整天。

正确的做法：

  • PyPI 派：用 uv 管理 Python 版本，通过 uv run 调用
  • Conda 派：用 conda 创建隔离环境，通过 conda activate 切换

我见过有人在 conda 环境里用 pip 装包，装完发现 CUDA 版本对不上，PyTorch 直接罢工。排查了三个小时，最后重装整个环境。

所以先问自己：我要不要碰深度学习？

不碰，走 PyPI 派。要碰，走 Conda 派。

准备工作：安装 PyCharm

写 Python 代码需要一个趁手的编辑器。推荐使用 PyCharm：

官方下载地址： https://www.jetbrains.com/zh-cn/pycharm/

PyCharm 是 JetBrains 开发的 Python 专用 IDE，分两个版本：

  • Community（社区版）：免费，功能足够日常使用
  • Professional（专业版）：付费，支持 Web 开发、Django 等高级功能

现在社区版和专业版整合到一起了，直接下载就行。

方案一：PyPI 派（uv 管理，推荐）

这是目前最轻量、最现代的选择。不需要下载官方 Python 安装包，一切交给 uv。

第一步：安装 uv

uv 是一个用 Rust 写的 Python 项目管理工具，速度比 pip 快 10 到 100 倍。

使用 PowerShell 一键安装：

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

这个命令会安装到 C:\Users\你的用户名\.local\bin，装完验证：

uv --version

第二步：用 uv 安装 Python

uv 可以自动下载并管理 Python 版本，不需要去 python.org 下载安装包。

安装最新版 Python：

uv python install

安装指定版本：

uv python install 3.14

查看已安装的版本：

uv python list

Python 会被安装到 uv 的管理目录（如 %APPDATA%\uv\python）中。

第三步：创建你的第一个项目

找个干净的文件夹，执行：

uv init my-project

uv 会自动：

  1. 下载最新的 Python（如果还没装）
  2. 生成 pyproject.toml 配置文件
  3. 创建 .venv 虚拟环境

生成的 pyproject.toml 长这样：

[project]
name = "my-project"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = ">=3.14"
dependencies = []

requires-python 声明了项目需要的 Python 版本，dependencies 是项目依赖的包。

第四步：安装依赖

假设你要用 requests 写个爬虫：

uv add requests

这条命令背后发生了什么？

  1. 解析依赖：uv 去 PyPI 查询 requests 的最新版本，以及它依赖的其他包
  2. 写入配置：把 requests = "^2.31.0" 写进 pyproject.toml
  3. 生成锁文件：创建 uv.lock，精确记录所有依赖的具体版本号和哈希值
  4. 安装包：把 requests 和所有依赖装进 .venv

整个过程几秒钟完成。

第五步：在 PyCharm 中打开项目

命令行把项目建好之后，用 PyCharm 打开它：

  1. 打开 PyCharm，选择 打开，选中刚才 uv init 创建的项目目录
  2. 进入 设置 → Python → 解释器
  3. 点击右上角 添加解释器 → 添加本地解释器
  4. 左侧选 生成新的，类型选选 uv

PyCharm 识别到 .venv 之后，编辑器的自动补全、跳转定义、类型推断全部生效。

后续用 uv add 安装新包时，PyCharm 会自动检测到 .venv 的变化并刷新索引，不需要手动操作。

或者用 PyCharm 直接创建：

  1. 打开 PyCharm，选择新建项目。

  2. 在解释器类型一栏选择需要的解释器，PyCharm 现在默认支持 venv、uv 和 conda 解释器。

  3. 通常情况下 PyCharm 会自动检测到这些工具的路径，如果没有，请手动添加。下次新建项目 PyCharm 就会记住这些路径。

  4. 点击创建就行了。

第六步：运行代码

如果你使用 PyCharm，直接点击顶部的运行按钮就可以了。

或者使用 uv run 运行代码，它会自动找到对应的环境：

uv run python main.py

uv run 的工作原理

uv run 会：

  1. 检查当前目录有没有 .venv
  2. 临时把 .venv\Scripts 加到 PATH 最前面
  3. 在这个环境下执行命令
  4. 命令结束后恢复原 PATH

所以你不需要手动 activate，也不用担心忘记 deactivate 导致全局环境被污染。

验证安装

确认环境是否正常工作：

uv run python --version
uv pip list

如果能看到 Python 版本号和已安装的包列表，说明一切正常。

常用命令速查

uv python install 3.14      # 安装 Python 3.14
uv python list              # 查看已安装的 Python 版本
uv python uninstall 3.14	# 卸载 Python 3.14
uv add <package_name>       # 安装包并声明依赖
uv add --dev <package_name> # 安装开发依赖（如 pytest）
uv sync                     # 根据 pyproject.toml 还原环境
uv run <file_name>          # 在虚拟环境中运行文件
uv pip list                 # 查看已安装的包

换源

PyPI 官方源服务器在国外，国内访问经常慢。配置清华镜像：

uv pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

或者临时用：

uv add requests -i https://pypi.tuna.tsinghua.edu.cn/simple

常用国内镜像：

  • 清华：https://pypi.tuna.tsinghua.edu.cn/simple
  • 阿里云：https://mirrors.aliyun.com/pypi/simple/
  • 豆瓣：https://pypi.doubanio.com/simple/

方案二：Conda 派（深度学习专用）

如果你要装 PyTorch、TensorFlow，或者任何依赖 CUDA 的库，用 Conda 派。

为什么深度学习必须用 Conda？

深度学习框架底层依赖大量 C/C++/CUDA 编写的库：

  • CUDA：NVIDIA 的并行计算平台
  • cuDNN：深度神经网络加速库
  • MKL：Intel 数学核心库

这些不是 Python 包，是系统级的二进制库。pip 只能管 Python 包，管不了这些。

Conda 的优势在于：

  1. 跨语言包管理：能安装 Python 包 + 系统级库
  2. 预编译二进制：Windows 上编译 CUDA 库非常麻烦，conda 直接提供编译好的版本
  3. 版本协调：PyTorch 需要 CUDA 11.8 还是 12.1？conda 会帮你算清楚

选择哪个工具？

工具特点推荐度
Anaconda全家桶，3GB+，商业收费⭐ 不推荐
Miniconda精简版，只含 conda⭐⭐ 可用
Miniforge社区版，免费，内置 mamba⭐⭐⭐⭐⭐ 最推荐
pixiRust 写的，类似 uv 的体验，IDE 支持有限⭐⭐⭐⭐ 新兴

为什么选 Miniforge？

  • Anaconda 的默认频道 2020 年起对商业用途收费
  • Miniforge 默认用 conda-forge，完全免费
  • Miniforge 内置 Mamba，安装速度快 4-5 倍

安装 Miniforge

官方下载地址： https://conda-forge.org/miniforge/

Windows 用户找 Miniforge3-Windows-x86_64.exe 下载。

警告：不要将 Miniforge 安装到权限受限的文件夹中，比如 Program Files。

安装步骤：

  1. 运行安装包
  2. 安装路径建议选纯英文，比如 D:\miniforge3
  3. 默认取消勾选 “Add Miniforge3 to my PATH environment variable”
  4. 完成安装

由于 Miniforge3 添加环境变量是通过修改注册表实现的，所以不建议添加到环境变量。

既然没有添加到环境变量，你需要通过完整路径调用 conda。一般路径 D:\miniforge3\Scripts\conda.exe。

不过也不用担心，安装完成后你的电脑会出现一个 Miniforge Prompt 的程序，打开它就可以使用 conda 了。

配置镜像

打开 Miniforge Prompt，在出现的终端前有类似括号代表当前的环境：

(base) C:\Users\user>

conda 默认源在国外，国内访问慢。配置清华镜像：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

创建环境

每个项目一个环境，不要往 base 里装东西：

conda create -n my_env python=3.14

切换到创建的环境：

conda activate my_env

当看见终端前变成 (my_env) 时就代表切换成功了。

为什么不要往 base 装？

base 是 conda 自己的运行环境。如果你在 base 里乱装包，可能破坏 conda 本身的依赖，导致 conda 命令都跑不起来。

养成习惯：每个项目 conda create -n 环境名，隔离干净。

删除环境：

先退出到 base 环境。

为了防止误删，建议先查看一下现有的环境列表，确认你要删除的环境名称拼写无误：

conda env list

删除指定的环境：

conda env remove --name my_env

安装依赖

在激活的环境中安装 Python 包：

conda install requests

如果 conda 找不到某个包，再用 pip 安装：

pip install some-package

安装深度学习框架

以 PyTorch 为例：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

这条命令拆解

  • pytorch torchvision torchaudio：PyTorch 核心包 + 视觉/音频工具包
  • pytorch-cuda=12.1：指定 CUDA 12.1 版本
  • -c pytorch：从 pytorch 频道下载
  • -c nvidia：从 nvidia 频道下载 CUDA 相关库

conda 会自动计算依赖关系，确保 PyTorch、CUDA、cuDNN 版本兼容。

如果用 pip 装 PyTorch，你得自己去 NVIDIA 官网下载 CUDA，配置环境变量，确保版本匹配。一步错，PyTorch 就检测不到 GPU。

一个原则

在 conda 环境里，优先用 conda install，找不到的包再用 pip install。顺序反了容易把环境搞乱。

为什么顺序重要？

conda 和 pip 的依赖解析器不一样。conda 装包时会考虑整个环境的依赖图，pip 只考虑 Python 包。

如果你先用 pip 装了某个包，再用 conda 装其他包，conda 可能不知道 pip 装的包的存在，导致依赖冲突。

正确顺序：

  1. conda install 装所有能装的（尤其是 CUDA 相关的）
  2. pip install 补 conda 找不到的包

在 PyCharm 中使用 Conda 环境

环境建好之后，把 PyCharm 指向它：

  1. 打开 PyCharm，选择 打开，选中刚才 uv init 创建的项目目录
  2. 进入 设置 → Python → 解释器
  3. 点击右上角 添加解释器 → 添加本地解释器
  4. 右侧选 选择现有，类型选选 conda
  5. 点击右侧下拉框，PyCharm 通常能自动列出已有的 conda 环境。

配置完成后，PyCharm 会索引这个环境里的所有包，自动补全和类型推断随即生效。

或者用 PyCharm 直接创建：

  1. 打开 Pycharm，点击新建项目

  2. 在解释器类型一栏选择需要的解释器，选择 Conda 解释器。

  3. 通常情况下 PyCharm 会自动检测到这些工具的路径，如果没有，请手动添加。下次新建项目 PyCharm 就会记住这些路径。

  4. 点击创建就行了。

验证安装

确认环境是否正常工作：

python --version
conda list

如果安装了 PyTorch，可以验证 GPU 是否可用：

python -c "import torch; print(torch.cuda.is_available())"

输出 True 表示 GPU 可以被 PyTorch 调用。

将 Conda 的项目分享给他人

首先激活你创建的 conda 环境：

conda activate your_env

使用 conda env export 命令导出配置：

conda env export > environment.yml

导出的文件会出现在当前目录。

对方拿到 environment.yml 文件后，在自己的终端执行以下命令即可创建并激活环境：

conda env create -f environment.yml

常用命令速查

conda create -n <env_name> python=3.14	# 创建环境
conda list								# 列出环境
conda activate <env_name>				# 激活环境
conda deactivate						# 退出当前环境
conda remove -n <env_name> --all		# 删除环境
conda env export > environment.yml		# 导出环境
conda env create -f environment.yml		# 导入环境
conda install <package_name>			# 安装包
conda update <package_name>				# 更新包
conda remove <package_name>				# 卸载包

常见问题

PowerShell 执行脚本报错

如果遇到：

无法加载文件，因为在此系统上禁止运行脚本

解决：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

只需要执行一次。

中文路径问题

Python 和很多第三方库对中文路径支持不好。建议：

  • 安装路径用纯英文，如 D:\miniforge3 而不是 D:\软件\miniforge3
  • 项目路径也别用中文

为什么中文路径会出问题？

Windows 默认用 GBK 编码，而 Python 3 默认用 UTF-8。路径里有中文时，编码不一致可能导致文件打不开、导入模块失败、编译 C 扩展时报错。

最简单的解决方案：统一用英文路径。

多个 Python 版本共存

用 uv：

uv python install 3.13 3.14
uv init --python 3.13 my-old-project
uv init --python 3.14 my-new-project

uv 会自动下载并管理多个 Python 版本，每个项目可以指定用哪个版本。

用 conda：

conda create -n py313 python=3.13
conda create -n py314 python=3.14

conda 通过不同环境隔离不同 Python 版本，切换环境就是切换 Python 版本。

uv 命令找不到

如果安装 uv 后提示命令不存在，说明 PATH 没有配置好。

解决方法：

  1. 找到 uv 的安装位置（通常是 C:\Users\你的用户名\.local\bin）
  2. 手动添加到 PATH：
    • Win + S 搜索”环境变量”
    • 编辑用户变量的 Path
    • 添加 C:\Users\你的用户名\.local\bin
  3. 重启 PowerShell

或者直接用完整路径调用：

C:\Users\你的用户名\.local\bin\uv.exe --version

附录 A：更新和卸载

更新 uv

如果你是通过脚本安装的话，你可以升级 uv：

uv self update

卸载 uv

清理存储的数据（可选）：

uv cache clean
rm -r "$(uv python dir)"
rm -r "$(uv tool dir)"

删除 uv 和 uvx 二进制文件：

rm $HOME\.local\bin\uv.exe
rm $HOME\.local\bin\uvx.exe

更新 Miniforge

一般不推荐直接更新 Miniforge 本体，如果你一定要更新，请卸载并从官网重新下载安装最新版本的 Miniforge。

卸载 Miniforge

没什么好说的，直接在 Windows 应用管理直接卸载就可以了。

附录 B：运行别人的旧项目

场景一：有 requirements.txt

requirements.txt 是一种早期的分享虚拟环境的方法，使用 pip freeze 就可以将安装的包导出：

pip freeze > requirements.txt

如果需要安装：

pip install -r requirements.txt

让 pip 自动找兼容版本：

pip install -r requirements.txt --upgrade

场景二：有 pyproject.toml

目前 Python 官方指定了 pyproject.toml 作为统一的项目配置文件。

uv 项目：

uv sync

poetry 项目：

poetry install

pdm 项目：

pdm install

场景三：什么都没有

没招，只能自己一个个找了。

附录 C：其他工具速览

poetry

功能全面的 Python 包管理工具，适合库开发。

pip install poetry			# 安装poetry
poetry init					# 初始化
poetry add requests			# 安装包
poetry run python main.py	# 运行文件

pdm

类似 poetry，但更符合 PEP 标准。

pip install pdm			# 安装pdm
pdm init				# 初始化
pdm add requests		# 安装包
pdm run python main.py	# 运行文件

pixi

用 Rust 写的 conda 包管理器，结合 conda 能力和 uv 体验。

这里稍微介绍一下 pixi，pixi 通过在项目当前目录创建了一个 .pixi 文件夹用来存放所有环境依赖，但是它是由 pixi.toml 来统一管理的，和 Python 的 pyproject.toml 并不完全兼容。

官网：https://pixi.prefix.dev/latest/

安装 pixi：

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

更新 pixi：

pixi self-update

常用命令：

pixi init my-project	# 初始化
pixi add python=3.14	# 安装Python环境
pixi add nodejs			# 安装Node环境
pixi add pytorch		# 安装pytorch包
pixi run python main.py	# 运行文件

pixi 相对较新，社区生态还在成长中。

选择建议

场景推荐方案理由
Web 开发 / 自动化脚本 / 工具类项目uv轻量、现代、速度极快
库开发 / 要发布到 PyPIuv 或 poetry支持构建和发布
数据分析 / 机器学习 / 深度学习Miniforge能管 CUDA 等系统级依赖
同时维护多个 Python 版本uv 或 conda都能隔离管理
公司项目要求合规（无商业风险）Miniforgeconda-forge 免费

结语

核心原则再强调一遍：非必要就不要把任何 Python 添加到系统环境变量。

  • PyPI 派：用 uv 管理 Python，通过 uv run 调用
  • Conda 派：用 miniforge 创建隔离环境，通过 conda activate 切换

现在，去创建一个项目试试吧。如果遇到问题，回到「常见问题」章节看看，或者检查一下是不是混用了两派的工具。

祝编码愉快。

Windows 配置 Python 环境——从安装到项目管理
https://xsgovo.github.io/posts/在windows中优雅管理python环境/
作者
小丝瓜
发布于
2026-04-09
许可协议
CC BY-NC-SA 4.0

分享文章

生成精美分享图或复制链接，与更多人分享本文。

继续阅读

沿着主题读

基于共同的标签与分类

换条路线

从其他文章中稳定抽取

最后更新于 ，距今已过 143 天

部分内容可能已过时

Windows 配置 C 语言开发环境