一、前言 #
嗨，我是拍拍君 🐍
只要你開始認真寫 Python，遲早都會遇到同一個問題：虛擬環境到底該用哪一套？ 有人說 venv 就夠了，因為它是標準庫內建；有人說資料科學就是 conda 的天下；也有人這兩年全面倒向 uv，因為它真的快得很誇張。
問題是，這三個工具都能建立環境、安裝套件、隔離依賴，那到底差在哪裡？答案是，它們解的其實不是完全同一題。
venv重點是最基本、最標準的 Python 環境隔離conda重點是連 Python 以外的二進位依賴也一起管uv重點是現代 Python 工作流整合，加上超快速度
今天這篇，拍拍君會用實戰角度把三者拆開比較，告訴你它們各自擅長什麼、同一個專案用三種工具會長什麼樣子，以及你現在的專案到底該選誰。
如果你之前看過 Python uv：超快 Python 套件管理工具 或 Python Packaging：從 pyproject.toml 到發佈 PyPI 全攻略，今天這篇可以把環境管理這一塊補完整。
二、先搞懂：虛擬環境到底在隔離什麼？ #
虛擬環境不是很重的 sandbox，也不是完整的容器。它最主要做的事情很簡單：讓每個專案有自己獨立的 Python 執行檔與套件安裝位置。
這件事為什麼重要？因為不同專案常常需要不同版本的依賴。專案 A 可能還停在 fastapi==0.95、pydantic==1.10，專案 B 卻已經升級到 fastapi==0.111、pydantic==2.7。如果你把它們都裝在同一個全域 Python，早晚會撞車。
三個工具的定位，一張表先看懂 #
| 工具 | 核心定位 | 管 Python 版本 | 管非 Python 依賴 | 速度體感 | 最常見場景 |
|---|---|---|---|---|---|
venv |
內建、基礎、最純粹的環境隔離 | 否 | 否 | 普通 | 純 Python、小專案、教學 |
conda |
跨語言環境與二進位依賴管理 | 是 | 是 | 中等 | ML、資料科學、科學計算 |
uv |
高速現代 Python 工具鏈 | 是 | 幾乎不碰 | 非常快 | 新專案、Web、CLI、自動化 |
你可以先把它們想成三種不同的工具哲學：venv 是最小可用解，conda 是完整環境發行系統，uv 是現代 Python 開發者工具箱。
三、venv：標準庫內建的基本盤 #
如果你的需求是「我只想讓這個專案有自己的套件環境」，那 venv 幾乎永遠不會太離譜。它從 Python 3.3 起就是標準庫的一部分，所以只要你有 Python，多半就已經有 venv 可以用。
基本建立方式 #
python3 -m venv .venv
這會在專案根目錄建立一個 .venv/，裡面包含專案專用的 python、pip 與 site-packages。
啟用方式如下。
macOS / Linux：
source .venv/bin/activate
Windows PowerShell：
.venv\Scripts\Activate.ps1
啟用之後，你在這個 shell 裡輸入的 python 和 pip，就會指向專案自己的環境。
安裝套件與匯出依賴 #
python -m pip install fastapi uvicorn ruff
python -m pip freeze > requirements.txt
拍拍君會建議優先用 python -m pip，而不是直接打 pip。原因很簡單，你可以很明確知道現在操作的是哪個 Python。這在機器上有多套 Python 時特別重要。
venv 的優點 #
- 幾乎零額外成本，不用再裝新工具。
- 心智模型很乾淨，它就是建立隔離環境。
- 官方文件相容性最好，你看到的大多數教學都能直接套用。
venv 的限制 #
- 不管理 Python 版本本身，它使用的是你機器上已經存在的 Python。
- 不處理非 Python 原生依賴，像
ffmpeg、CUDA、openssl這類東西它不管。 - 傳統
pip + requirements.txt在大型專案不夠優雅，尤其當你開始在意 lockfile、依賴分組與重現性時。
什麼情況適合 venv？ #
venv 很適合這些場景：純 Python API 或 CLI、教學範例 repo、小型 side project、短期腳本、公司環境限制多不方便裝新工具。說白了，如果你只是要一個穩穩能跑的隔離環境，venv 其實非常夠用。
四、conda：資料科學與二進位依賴的老將 #
conda 最有價值的地方，不是它「也能建立虛擬環境」，而是它能把很多 Python 以外的依賴 也一起納入環境管理。這在資料科學、機器學習、科學計算領域非常重要。
conda 在解什麼問題？ #
假設你今天要建立一個 ML 專案，需求包含 Python 3.11、numpy、pandas、pytorch，可能還有 CUDA 或其他底層庫。這時候痛點常常不是 pip install 打不打得出來，而是：wheel 有沒有對應平台、底層共享庫版本會不會衝突、這個套件到底需不需要編譯。
conda 的強項，就是把這些二進位依賴當成一等公民看待。
建立 conda 環境 #
conda create -n chatptt-ml python=3.11
conda activate chatptt-ml
conda install numpy pandas jupyter
如果你主要靠社群套件，通常可以優先考慮 conda-forge：
conda install -c conda-forge numpy pandas jupyter
conda 可以處理非 Python 套件 #
例如：
conda install -c conda-forge ffmpeg
這一點就是 conda 跟 venv、uv 的最大分水嶺。很多時候不是比較方便而已，而是終於不用手動解系統依賴地獄。
用 environment.yml 描述環境 #
name: chatptt-ml
channels:
- conda-forge
dependencies:
- python=3.11
- numpy
- pandas
- jupyterlab
- pytorch
- pip
- pip:
- fastapi
- wandb
建立與更新：
conda env create -f environment.yml
conda env update -f environment.yml --prune
conda 的優點 #
- 非 Python 依賴處理能力強，對 ML、資料科學、影像處理、多媒體流程都很關鍵。
- Python 版本管理整合自然，建立環境時就能直接指定。
- 團隊分享環境描述方便，對研究或實驗型團隊通常很夠用。
conda 的缺點 #
- 速度通常不算快，solver 在解依賴時有時候真的慢。
- 和官方 Python 工作流有一點平行宇宙感，新手在兩套世界間切換時偶爾會迷路。
- conda / pip 混裝需要節制，拍拍君通常建議核心二進位依賴先 conda，再用 pip 補純 Python 套件。
什麼情況適合 conda？ #
如果你的日常是 Notebook-heavy 的資料分析、PyTorch / JAX / 科學計算、需要 CUDA 或大型原生依賴，或團隊既有流程已經建在 conda 上，那 conda 依然很有戰力。這類情境下，離開 conda 不一定比較進步，只是比較折騰而已。
五、uv：新世代高速 Python 工具鏈 #
接下來講這兩年超紅的 uv。如果要用一句話形容它，我會說：它把很多 Python 開發者平常分散在不同工具上做的事，整合成一套速度超快的工作流。
而且它不是 benchmark 漂亮而已，是真的第一次用就會感覺到「欸，怎麼這麼快」。
安裝 uv #
Homebrew：
brew install uv
官方安裝腳本：
curl -LsSf https://astral.sh/uv/install.sh | sh
建立專案 #
uv init chatptt-api
cd chatptt-api
uv add fastapi uvicorn
uv add --dev pytest ruff
uv sync
uv run python main.py
uv run pytest
uv run ruff check .
如果你只把 uv 當成超快版 venv + pip，就已經很划算了。但它其實還往前多做了幾步。
uv 的強項 #
- 速度非常快，建立環境、解依賴、安裝套件都很有感。
- 以
pyproject.toml為中心，很符合現代 Python 專案的寫法。 - Lockfile 與同步工作流友善，對團隊協作和 CI 很加分。
- 工具執行方便，像
uvx ruff check .或uv run --with httpx python script.py都很順手。
例如一個典型設定會長這樣：
[project]
name = "chatptt-api"
version = "0.1.0"
requires-python = ">=3.11"
dependencies = [
"fastapi>=0.111",
"uvicorn>=0.30",
]
[dependency-groups]
dev = [
"pytest>=8.0",
"ruff>=0.4",
]
uv 也能管理 Python 版本 #
uv python install 3.11
uv python pin 3.11
uv venv
這讓它不只是一個安裝器，而是更完整的 Python 開發入口。
uv 的限制 #
- 主要還是 Python 世界內的工具，如果你的核心問題是 CUDA、系統共享庫、跨語言二進位套件，那
uv不是來解這些的。 - 舊專案不一定適合立刻硬搬，因為文件、CI、部署腳本不一定同步跟上。
- 新工具代表團隊需要共同學習，雖然指令不難，但還是有適應成本。
什麼情況適合 uv？ #
拍拍君最推薦 uv 的場景通常是：新開的 Python 專案、Web API、CLI 工具、自動化腳本與內部工具，以及很在意安裝速度與重現性的團隊。如果專案核心就是 Python，而不是一堆外部原生依賴，uv 幾乎都值得你認真試一次。
六、同一個專案，三種工作流長什麼樣？ #
來看一個具體例子。假設我們要做一個叫 chatptt-service 的 FastAPI 專案，需求如下：
- Python 3.11+
fastapiuvicorn- 測試用
pytest - 靜態檢查用
ruff
A. 用 venv + pip #
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install fastapi uvicorn pytest ruff
python -m pip freeze > requirements.txt
uvicorn app.main:app --reload
pytest
這套很適合教學、小專案、或任何你只想快速把專案獨立起來的情境。
B. 用 conda + environment.yml #
conda create -n chatptt-service python=3.11
conda activate chatptt-service
conda install -c conda-forge fastapi uvicorn pytest ruff
搭配這個描述檔：
name: chatptt-service
channels:
- conda-forge
dependencies:
- python=3.11
- fastapi
- uvicorn
- pytest
- ruff
重建方式：
conda env create -f environment.yml
如果這個專案日後還要接上更多原生依賴，這條路會比較穩。
C. 用 uv + pyproject.toml #
uv init chatptt-service
cd chatptt-service
uv add fastapi uvicorn
uv add --dev pytest ruff
uv sync
uv run uvicorn app.main:app --reload
uv run pytest
uv run ruff check .
如果你想固定 Python 版本：
uv python install 3.11
uv python pin 3.11
這套 workflow 對新專案特別流暢，因為依賴、工具、執行與同步幾乎是一體的。
一句話總結三種工作流 #
venv最簡單conda最能處理複雜依賴uv最像現代 Python 開發者想要的體驗
七、拍拍君的選擇建議 #
如果是拍腦袋給建議，拍拍君會這樣分：
- 教學、練習、簡單腳本，選
venv - 資料科學、Notebook、PyTorch、原生依賴很多，選
conda - 新專案、Web、CLI、內部工具，大概率選
uv
如果今天是我自己開新專案，而且核心就是 Python，我大多會直接從 uv 起手。速度、乾淨度、與 pyproject.toml 的整合都很加分。
但如果一個專案已經穩定跑了兩三年，團隊熟悉 venv + requirements.txt，CI 也都圍繞這套，那就不要只是因為新工具很潮就強推遷移。穩定，比潮更重要。
八、常見迷思與踩坑提醒 #
迷思 1：用了 conda 就不能碰 pip #
不是不能，而是要有節奏。比較安全的做法是先 conda、後 pip，而且盡量不要讓兩者去搶同一批核心套件的版本主導權。
迷思 2：uv 會完全取代 conda #
至少現在還不能這樣講。它們解的問題不同。純 Python 專案，uv 常常更舒服；重型 ML 或科學計算環境，conda 依然很難被完全替代。
迷思 3：venv 太老，所以不值得學 #
完全相反。venv 是 Python 生態的基礎知識。就算你最後主力使用 uv，也應該知道 venv 在做什麼。
迷思 4：每個專案都該用同一套工具 #
不一定。成熟工程師比較少追求宇宙唯一正解，而是會看專案性質、團隊熟悉度、CI 流程與維護成本。
九、如果你今天才開始，我會怎麼建議？ #
拍拍君會給一條很務實的學習路線。
第一步，先學會 venv，至少把下面三行變成本能：
python3 -m venv .venv
source .venv/bin/activate
python -m pip install requests
第二步，做新專案時學 uv。當你開始碰 Web API、CLI、pyproject.toml、CI 重現性，uv 很值得投資。
第三步，進資料科學或 ML workflow 時補 conda。等你真的碰到大型原生依賴、GPU、跨平台二進位套件時，你自然會知道為什麼 conda 還活得這麼好。
結語 #
venv、conda、uv 不是彼此的完全上下位替代關係，它們比較像三把不同尺寸的工具刀。
venv是最標準、最穩的基本款conda是擅長處理複雜依賴的大工具箱uv是速度飛快、體驗現代的新選手 如果你只想記一句話，拍拍君的版本是：純 Python、小到中型專案，先考慮venv或uv；資料科學、ML、原生依賴重，優先考慮conda；新專案又想要好體驗，我最推薦試試uv。
最後提醒一句，不要把環境工具當成身份認同。你不是 venv 派，也不是 conda 派，更不是 uv 派，你只是想把專案穩穩跑起來的 Python 工程師而已 😌