Python-UV多环境管理

传说要比pip快100倍，并且100%进行项目环境复刻的Python环境管理工具；UV的github仓库地址：https://github.com/astral-sh/uv

文章目录

1-知识总结

  • 0-uv项目实战脚本
# 1-查看并指定环境
uv python list
uv python pin 3.11.4

# 2-进行项目创建
uv init hello-flask
cd hello-flask

# 3-指定本地运行环境
uv venv
source .venv/bin/activate

# 4-本地环境安装依赖
uv pip install flask
  • 1-uv的常用脚本
# 无环境
uv venv --python 3.11       # 新建python环境
uv python list              # 查看本地有哪些环境
uv python pin 3.11          # 使用新建环境（这个是全局的，不像conda每次都要重新指定）
uv add 包名                 # 安装并写入 pyproject.toml
uv remove 包名              # 卸载
uv sync                     # 根据 uv.lock 精确还原环境
uv run python app.py        # 无需提前激活虚拟环境，直接跑（或者uv run app.py）
uv lock                     # 手动刷新锁文件

# 已有环境-非项目
uv venv
uv pip install -r requirements.txt

# 已有环境-项目-但无文件夹
uv init hello-world

# 已有环境-项目-有文件夹
cd hello-world
uv init

  • 2-uv 与 pyproject.toml 的关系

    • 1-pip脚本执行->无关pyproject.toml 
      uv venv
uv pip install -r requirements.txt   # 纯替代 pip，不涉及 pyproject.toml
    • 2-项目管理->涉及pyproject.toml ->【命令序列一旦换成 uv init / uv add / uv sync / uv run，就进入“项目模式”】 
      uv init myproj               # 生成 pyproject.toml（[project] 表）
cd myproj
uv add requests==2.31.*      # 写入 pyproject.toml 并更新 uv.lock
uv sync                      # 按 uv.lock 安装/删除包，使环境完全一致
uv run python main.py        # 在同步后的环境里执行脚本
    • 3-文件作用
      文件 作用 是否必须 谁生成
      pyproject.toml 声明项目元数据、依赖范围（类似 package.json） ✅ 必须手工或 uv init 生成 你或 uv init
      uv.lock 锁定精确版本，保证可重复安装 ✅ 自动生成 uv add / uv sync
      requirements.txt 可选导出，给外部 CI 或同事用 ❌ 可选 uv export

  • 3-uvx 和 uv是什么关系

    • uvx 就是 uv tool run 的别名，用来临时、隔离地运行 Python 工具；

    • uv 本身负责安装、同步、锁定依赖，而 uvx 只负责“把工具跑起来”，不污染当前项目环境。

      uvx <命令>   ≡   uv tool run <命令>

 # 用 black 格式化当前目录，但不打算把它装到项目里
 uvx black .
 
 # 正式把 black 当作项目依赖
 uv add black --dev
 uv run black .

  • 4-uv的版本管理和 Anaconda 的区别

    • uv 把“Python 版本”看成普通依赖——项目需要哪一份解释器就当场下载、缓存、启用；

    • Anaconda 把“Python 版本”做成独立环境根——先一次性装好，再长期占用、全局切换。

    • 因此前者“无版本概念、随用随拉”，后者“先装后切、环境即版本”。

  • 5-UV与传统requirements.txt关系

      1. 传统方式（requirements.txt 依旧生效）
      uv venv
uv pip install -r requirements.txt          # 等价于 pip install，但更快
uv pip freeze > requirements.txt            # 照旧导出
      1. 新项目推荐方式（pyproject.toml + uv.lock）
      uv init                                     # 生成 pyproject.toml
uv add requests                             # 写入 pyproject.toml 并更新 uv.lock
uv sync                                     # 按 uv.lock 精确重建环境
      1. uv导出requirements.txt文件
      uv export --format requirements-txt > requirements.txt

  • 6-UV配置下载源-永久全局生效（配置文件）
    文件路径

    • Linux / macOS: ~/.config/uv/uv.toml
    • Windows: %APPDATA%\uv\uv.toml

    示例内容（清华源，可换成阿里、豆瓣、华为等）：

    [[index]]
url = "https://pypi.tuna.tsinghua.edu.cn/simple"
default = true

    如果还要给 “python 本体” 加速，可再写一行：

    python-install-mirror = "https://registry.npmmirror.com/-/binary/python-build-standalone/"

2-参考网址

3-知识整理

1-uv的常用脚本

在 Python 开发中，管理 UV（Ultra Violet）环境通常指的是使用 uv 这个由 Astral 推出的新一代 Python 包管理工具。它旨在替代 pip 和 venv，提供更快的依赖解析和安装速度。

以下是使用 uv 管理 Python 环境的常用脚本命令：

🔧 安装 uv

pip install uv

🐍 创建虚拟环境

uv venv myenv

📦 安装依赖

# 安装单个包
uv pip install requests

# 从 requirements.txt 安装
uv pip install -r requirements.txt

🧪 激活虚拟环境

# Linux/macOS
source myenv/bin/activate

# Windows
myenv\Scripts\activate

📄 导出依赖

uv pip freeze > requirements.txt

🧹 卸载包

uv pip uninstall requests

🧾 查看已安装包

uv pip list

🧰 升级包

uv pip install --upgrade requests

🧪 运行 Python 脚本（在激活环境中）

python my_script.py

🧼 删除虚拟环境

rm -rf myenv  # Linux/macOS
rmdir /s myenv  # Windows

✅ 检查 uv 版本

uv --version

如果你指的是其他“UV”工具（如 Ultraviolet、某个内部工具等），请提供更多上下文，我可以给出更精确的命令。

2-uv 与 pyproject.toml 的关系

uv 把 pyproject.toml 当作“项目元数据 + 依赖声明”的 唯一入口，但只在项目模式下才强制依赖它；在单脚本/旧仓库场景里，你仍然可以只用 requirements.txt。关系可以一句话概括为：

pyproject.toml 是 uv 做项目级依赖管理时的必备清单；
没有它，uv 就退化为一个更快的 pip + venv 组合工具。

下面分场景说明。

  1. 把 uv 当“加速版 pip”——不需要 pyproject.toml 
    uv venv
uv pip install -r requirements.txt   # 纯替代 pip，不涉及 pyproject.toml
    此时 uv 只负责“装包更快”，对项目结构零要求。
  1. 把 uv 当“项目级工作流”——必须 pyproject.toml
    命令序列一旦换成 uv init / uv add / uv sync / uv run，就进入“项目模式”，规则如下：
文件 作用 是否必须 谁生成
pyproject.toml 声明项目元数据、依赖范围（类似 package.json） ✅ 必须手工或 uv init 生成 你或 uv init
uv.lock 锁定精确版本，保证可重复安装 ✅ 自动生成 uv add / uv sync
requirements.txt 可选导出，给外部 CI 或同事用 ❌ 可选 uv export

工作流程示例

uv init myproj               # 生成 pyproject.toml（[project] 表）
cd myproj
uv add requests==2.31.*      # 写入 pyproject.toml 并更新 uv.lock
uv sync                      # 按 uv.lock 安装/删除包，使环境完全一致
uv run python main.py        # 在同步后的环境里执行脚本
  1. 关键字段（uv 只认标准 PEP 621 字段） 
    [project]
name = "myproj"
version = "0.1.0"
dependencies = ["requests>=2.31,<3"]
requires-python = ">=3.10"

[project.optional-dependencies]
test = ["pytest>=7"]
    uv add 会自动改写 dependencies 或 optional-dependencies，并同步更新 uv.lock。
  1. 与 Poetry/PDM 的区别
    • uv 完全遵循 PEP 621 标准字段，不引入私有段；
    • 锁文件格式是 TOML（类似 Cargo.lock），但仅供 uv 使用，不与 Poetry/PDM 互认；
    • 速度目标：解析 + 安装比 Poetry 快 10~100×。

一句话总结

  • 当“超级 pip”用 → 无视 pyproject.toml。
  • 当“现代项目工作流”用 → pyproject.toml 是入口，uv.lock 是灵魂；requirements.txt 随时可导出，但不再担任核心角色。

3-uvx 和 uv是什么关系

一句话概括
uvx 就是 uv tool run 的别名，用来临时、隔离地运行 Python 工具；uv 本身负责安装、同步、锁定依赖，而 uvx 只负责“把工具跑起来”，不污染当前项目环境。

详细关系

  1. 命令层级

    uvx <命令>   ≡   uv tool run <命令>

  2. 作用差异

    场景 使用命令 是否修改项目依赖 是否持久安装 环境
    安装/管理包 uv add / uv sync … ✅ 会写 pyproject.toml & uv.lock ✅ 装到 .venv 项目虚拟环境
    运行一次性工具 uvx ruff ❌ 不影响项目 ❌ 仅缓存临时环境 隔离缓存目录
    运行项目脚本 uv run pytest ❌ 不改变依赖 ❌ 不安装 项目虚拟环境

  3. 典型用法

    # 用 black 格式化当前目录，但不打算把它装到项目里
uvx black .

# 正式把 black 当作项目依赖
uv add black --dev
uv run black .

  4. 与 pipx 类比
    uvx 相当于“自带依赖解析加速版”的 pipx：先帮你建好临时虚拟环境，装好指定工具，执行完保留缓存，下次再跑就能秒启。

结论
uv 是“包管理器 + 项目工作流”；uvx 只是 uv 提供的一个零副作用、用完即走的小启动器，两者主从关系清晰：uvx 依赖 uv 的解析与缓存能力，但不对项目产生任何持久影响 。

4-uv的版本管理和 Anaconda 的区别

核心区别：
uv 把“Python 版本”看成普通依赖——项目需要哪一份解释器就当场下载、缓存、启用；
Anaconda 把“Python 版本”做成独立环境根——先一次性装好，再长期占用、全局切换。
因此前者“无版本概念、随用随拉”，后者“先装后切、环境即版本”。

  1. 管理粒度
  • uv：项目级。pyproject.toml 里写 requires-python = "3.11"，执行 uv sync 时自动下载 3.11 并放入本地缓存，仅当前项目可见；换目录即换解释器，无需全局激活。
  • Anaconda：环境级。conda create -n py311 python=3.11 先复制一整套解释器与系统库到 envs/py311，之后必须 conda activate py311 才能用；不同项目若都想用 3.11 通常共用同一份解释器副本。
  1. 安装时机与体积
  • uv：第一次用到时才拉取官方 python.org 构建的“便携解释器”压缩包（Linux/macOS 约 25 MB，Windows 约 20 MB），全局缓存一份，多项目复用；不激活、不写入系统路径，卸载只需删缓存。
  • Anaconda：装 Miniconda/Anaconda 时就自带一份 base Python（400 MB+），每新建一个环境再复制 100–200 MB；体积大但离线可用，适合内网或科学计算场景。
  1. 切换方式
  • uv：无“切换”概念。进入项目目录后，uv run / uv sync 自动把对应版本的 python 放到子进程 PATH 最前面；离开目录即失效，不会污染全局。
  • Anaconda：需要显式 conda activate <env> 把目标解释器塞到 PATH，deactivate 后才退回；一次只能激活一个，易因忘记切换导致“装到 base”问题。
  1. 多版本并存
    两者都支持同时装任意数量版本，但
  • uv：缓存目录里仅保留一份 3.x.y，多个项目可共享；升级补丁版本自动替换旧小版本。
  • Anaconda：每个环境独立一份，可 3.11.0、3.11.9 共存；升级需 conda install python=3.11.9 手动完成。
  1. 性能对比（2025 年实测 ）
    | 操作 | uv | conda |
    |—|—|—|
    | 首次安装 3.12 并创建空环境 | 8 s | 45 s |
    | 重复创建相同环境（缓存命中） | 2 s | 12 s |
    | 占用磁盘（每新增一个版本） | ~25 MB | ~150 MB |
  1. 适用场景速览

  • uv
    – Web、CI/CD、微服务：需要“克隆即跑”、磁盘小、速度快。
    – 开发机同时维护十几个项目，每个项目 Python 版本不同。

  • Anaconda
    – 数据科学、深度学习：一次建好环境后长期复用，且需要 NumPy/CUDA 等系统级二进制。
    – 内网离线部署：提前下载好全量包，现场无需联网。

一句话总结
uv 把 Python 版本当成“轻量依赖”按需即时拉取、项目隔离；Anaconda 把 Python 版本当成“重型底座”预先安装、全局切换。前者快而小，后者稳而全 。

5-是不是可以理解UV不再使用requirements.txt管理环境了，而是使用uv.lock进行管理

不是的。
uv 只是把 “解析-安装”这一步 换成了它自己的引擎，并没有强制你抛弃 requirements.txt。
它支持两种用法：

  1. 传统方式（requirements.txt 依旧生效）

    uv venv
uv pip install -r requirements.txt          # 等价于 pip install，但更快
uv pip freeze > requirements.txt            # 照旧导出

  2. 新项目推荐方式（pyproject.toml + uv.lock）

    uv init                                     # 生成 pyproject.toml
uv add requests                             # 写入 pyproject.toml 并更新 uv.lock
uv sync                                     # 按 uv.lock 精确重建环境

    此时

    • 依赖声明文件 → pyproject.toml
    • 锁定文件 → uv.lock（类似 Cargo.lock、poetry.lock）

    如果你愿意，也可以随时

    uv export --format requirements-txt > requirements.txt

    给外部工具或 CI 提供一份 requirements.txt。

总结

  • 老项目继续用 requirements.txt 完全没问题。
  • 新项目可以用 pyproject.toml + uv.lock 获得更快、可重复的安装，但这不是强制，requirements.txt 仍然能被生成和识别。

5-uv venv脚本作用

uv venv 是 一次性完成“虚拟环境创建 + 解释器选择 + 加速” 的命令，等价于
python -m venv .venv --prompt xxx 的“超高速、跨平台、自动选解释器”版本。
以后在 uv 体系里基本不需要再手动敲 python -m venv 了。

6-UV 如何配置下载源

UV 支持 3 种常用方式把 PyPI 默认源换成国内镜像，按“生效范围”由小到大排列如下：

  1. 临时生效（仅当前命令）

    uv pip install numpy \
  --index-url https://pypi.tuna.tsinghua.edu.cn/simple

  2. 当前 shell / 当前项目生效（环境变量）
    Linux / macOS

    export UV_INDEX_URL=https://mirrors.aliyun.com/pypi/simple

    Windows PowerShell

    $env:UV_INDEX_URL="https://mirrors.aliyun.com/pypi/simple"

  3. 永久全局生效（配置文件）
    文件路径

    • Linux / macOS: ~/.config/uv/uv.toml
    • Windows: %APPDATA%\uv\uv.toml

    示例内容（清华源，可换成阿里、豆瓣、华为等）：

    [[index]]
url = "https://pypi.tuna.tsinghua.edu.cn/simple"
default = true

    如果还要给 “python 本体” 加速，可再写一行：

    python-install-mirror = "https://registry.npmmirror.com/-/binary/python-build-standalone/"

  4. 单项目固定（便于团队协作）
    把同样格式的 [[tool.uv.index]] 段落写进项目根目录的 pyproject.toml 即可。

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

验证是否生效

uv config get index.url        # 查看当前生效索引
uv pip install -v requests     # 观察日志是否出现镜像域名

这样配置后，uv pip install / uv add 都会走国内镜像，速度通常能提升一个数量级。

# python # uv # 人工智能
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

AI多Agent协作系统实战（十八）让你改PC端你跑去改移动端——AI Agent的“左右不分“综合症

avatar AI Agent技术社区

AI测试开发 vs 传统测试：2026秋招，选对方向比努力更重要

第一层，RAG检索的准确性——给定一个query，检索回来的文档片段是不是相关。字节2026年春招，“测试开发工程师-开发者AI”岗位的JD里，硬性要求出现了一句话：“对AI Agent有深入理解和实践经验”。你测的是“系统有没有返回”，而不是“返回的内容对不对”。本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工

avatar AI Agent技术社区

DBA智能运维-腾讯云数据库全自动自助诊断

本文介绍了一种利用AI助手实现数据库诊断"自助服务"的解决方案。面对DBA与研发人员比例悬殊(1:100+)的现状，通过部署AI数据库运维助手，对接腾讯云数据库全自动诊断API，使研发人员能够自助完成80%的例行数据库诊断需求。该方案基于OpenClaw构建AI Agent，接入企业内部IM系统，实现标准化诊断流程：研发人员发起请求→AI自动识别→调用诊断API→生成专业报告。关键设计包括诊断SO

avatar AI Agent技术社区