Python 多环境配置管理的实践方案

优先选conda还是venv取决于场景：科学计算用conda（包+环境双管），Web开发用venv（轻量标准）；requirements.txt应为最小运行依赖契约，用pipreqs生成后人工精简并采用兼容版本声明。 conda 和 venv 到底该选哪个 多数人卡在第一步：不是不会用，而是没想清楚场景。conda 是包+环境双管，适合科学计算栈（ 、 、 混用）；venv 是纯 Python 环境隔离，轻量、标准、CI 友好。 常见错误现象： 在 conda 环境里装了 的包，却在 Jupyter 里 import 失败——大概率是 kernel 没换到对应环境，而不是包没装上。 数据处理/模型训练为主 → 优先用 ，再 主要依赖 Web 开发或部署脚本 → 直接 ，配合 不要在 conda 环境里频繁混用 （尤其带 C 扩展的包），容易触发 requirements.txt 怎么写才不翻车 它不是快照，是契约。直接 会把 conda 装的、系统级的、甚至开发依赖全塞进去，CI 构建时大概率失败。 使用场景：团队协作、Docker 构建、CI/CD 自动部署——这些地方要求可复现、无歧义、最小依赖集。 立即学习 “ Python免费学习笔记（深入） ”； 只放运行时必需的包，用 自动生成初稿，再人工删减 避免写死小版本号（如 ），改用兼容声明： 绝对不要在 里写 或本地路径，CI 机器找不到源码目录 区分依赖类型：用 单独管 、 这类工具 多 Python 版本共存时怎么切环境 不是靠改 或手动改 ，那是自找麻烦。关键是让 shell 和编辑器都认准同一个解释器路径。 Python 3.14.3 微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。 下载 常见错误现象：终端里 显示的是 ，但 VS Code 还在用系统 Python，断点不进、库提示报错。 激活虚拟环境后，用 （macOS/Linux）或 （Windows）确认路径，复制下来 VS Code 中按 → 输入 “Python: Select Interpreter”，粘贴路径 别信终端里显示的 前缀——它只是 shell 提示，和实际执行的解释器可能不是一回事 Zsh 用户注意： 后，检查 是否已设，没设说明 activate 脚本没跑完 PyPI 镜像和私有源怎么配才不冲突 全局配置 容易污染所有项目，尤其当你同时对接内网私有源和公网 PyPI 时，一个配错，整个 就卡住不动。 性能影响明显：私有源响应慢、证书校验严，如果把它设成默认，连装个 都要等 10 秒。 项目级配置优先：在项目根目录加 （Linux/macOS）或 （Windows），内容只写当前项目需要的源 临时切换用 ，比改配置快得多 私有源必须带 参数（如 ），否则 SSL 验证失败，且这个参数不能写在 里（pip 22.2+ 已禁用） 镜像源别用“最快”推荐列表——有些镜像同步延迟大，刚发布的包可能 2 小时后才出现 环境管理最麻烦的从来不是命令记不住，而是每个环节都有隐式状态：shell 的当前目录、IDE 的 interpreter 设置、pip 的配置文件位置、甚至终端是否重新加载过 shell 配置。稍不注意，就变成“我明明装了，它为啥说没装”。