1.3.1 Python 环境管理
本节定位
这一节解决的是 AI 学习中最常见的“环境混乱”和“依赖冲突”问题。你会理解为什么每个项目都应该有独立环境，并学会用 Miniconda 创建、切换、导出和恢复 Python 环境。
学习目标
- 理解为什么需要虚拟环境（通过一个真实的翻车案例）
- 安装和配置 Miniconda
- 掌握虚拟环境的创建、激活、切换、删除
- 理解 conda 和 pip 的区别，知道什么时候用哪个
- 学会导出和导入环境配置
- 能独立排查常见环境问题
为什么需要虚拟环境？
一个真实的翻车场景
小明在做两个 AI 项目：
- 项目 A（图像分类）：需要
torch==1.13，因为用了一个只兼容 1.13 的旧库 - 项目 B（大模型应用）：需要
torch==2.1，因为用了最新的 Flash Attention
如果他把两个项目的依赖都装在同一个 Python 里：
pip install torch==1.13 # 项目 A 能跑了
pip install torch==2.1 # 项目 B 能跑了，但 torch 被升级到 2.1
# 这时候回去跑项目 A —— 报错了！因为 torch 已经变成 2.1 了
这就是包版本冲突——一个 Python 环境只能装一个版本的同名包。
虚拟环境怎么解决这个问题？
虚拟环境 = 一个独立的、隔离的 Python 安装。每个项目一个环境，互不干扰：
项目 A 的环境：Python 3.10 + torch 1.13 + ...
项目 B 的环境：Python 3.11 + torch 2.1 + ...
切换项目时，切换环境就行。两边互不影响。
类比
把虚拟环境想象成手机上的多用户/工作空间。每个用户有自己独立安装的 App，互不干扰。你可以在"工作用户"里装钉钉，在"个人用户"里装游戏，它们之间完全隔离。
你应该保留的环境心智模型
Python 项目出错时，不要一上来就全部重装。先检查下面四件事是否指向同一个项目：
| 要检查什么 | 命令或查看位置 | 你希望看到什么 |
|---|---|---|
| 当前目录 | pwd | 自己在项目文件夹里 |
| 当前 Python | which python | 路径指向目标环境 |
| pip 安装位置 | python -m pip --version | pip 属于同一个 Python 环境 |
| VS Code 解释器 | Python: Select Interpreter | 选择的是同一个环境 |
| Jupyter Kernel | Notebook 的 kernel 选择器 | 使用的是项目对应环境 |
大多数“明明安装了却 import 失败”的问题，都是这些链路中某一环指到了别的地方。
安装 Miniconda
为什么选 Miniconda？
| 工具 | 说明 | 推荐度 |
|---|---|---|
| Miniconda | 轻量级，只装核心组件，按需安装其他包 | ⭐⭐⭐⭐⭐ |
| Anaconda | 全家桶，预装 250+ 个包，占用 3GB+ | ⭐⭐⭐ |
| venv + pip | Python 自带，轻量但功能较少 | ⭐⭐⭐ |
Miniconda 是最佳选择：够轻量、能管理 Python 版本、能创建虚拟环境、AI 社区广泛使用。
macOS 安装
# 下载安装脚本（Apple Silicon / M1/M2/M3）
curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh
# Intel Mac 用这个
# curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.sh
# 运行安装
bash Miniconda3-latest-MacOSX-arm64.sh
安装过程中：
- 阅读协议：按
q跳过，输入yes同意 - 安装路径：直接回车用默认路径
- 是否初始化：输入
yes
安装完成后，关闭终端再重新打开。
Ubuntu/Linux 安装
# 下载
curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 安装
bash Miniconda3-latest-Linux-x86_64.sh
# 按提示操作，最后选 yes 初始化
关闭终端再重新打开。
Windows 安装
- 下载安装包：Miniconda Windows 安装程序
- 双击运行，一路 Next
- 勾选 "Add Miniconda3 to my PATH environment variable"（方便在 PowerShell 中使用）
- 安装完成后重启 PowerShell
验证安装
conda --version
# 输出类似: conda 24.x.x
python --version
# 输出类似: Python 3.12.x
看到版本号就说明安装成功了。
配置国内镜像（国内用户强烈推荐）
默认的 conda 源在国外，下载速度很慢。配置清华镜像：
# 添加清华镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
conda config --set show_channel_urls yes
同时配置 pip 的清华镜像（如果之前没配过）：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
虚拟环境操作
创建环境
# 创建一个名叫 ai-basic 的环境，Python 版本 3.11
conda create -n ai-basic python=3.11
# conda 会列出要安装的包，输入 y 确认
-n ai-basic 是环境的名字，你可以随便起，建议用项目名或用途命名。
激活环境
conda activate ai-basic
激活后，你的终端提示符前面会出现环境名：
(ai-basic) zhangsan@MacBook ~ $
这表示你现在在 ai-basic 环境里。在这个环境里安装的任何包，都只属于这个环境。
在环境里安装包
# 确认当前环境
conda info --envs
# 带 * 号的就是当前激活的环境
# 用 pip 安装包（推荐大部分情况使用 pip）
pip install numpy pandas matplotlib
# 用 conda 安装包（某些特殊的包用 conda 更好）
conda install scipy
# 查看当前环境安装了哪些包
pip list
# 或
conda list
案例：为不同项目创建不同环境
# 项目 A：传统机器学习
conda create -n ml-project python=3.11
conda activate ml-project
pip install numpy pandas scikit-learn matplotlib seaborn jupyter
# 项目 B：深度学习
conda create -n dl-project python=3.11
conda activate dl-project
pip install torch torchvision numpy matplotlib tensorboard
# 项目 C：大模型应用
conda create -n llm-project python=3.11
conda activate llm-project
pip install openai langchain chromadb fastapi
三个项目，三个独立的环境，互不干扰。
切换环境
# 切换到 ml-project 环境
conda activate ml-project
# 切换到 dl-project 环境
conda activate dl-project
# 退出当前环境（回到 base 环境）
conda deactivate
查看所有环境
conda env list
# 或
conda info --envs
输出：
# conda environments:
#
base /Users/zhangsan/miniconda3
ai-basic /Users/zhangsan/miniconda3/envs/ai-basic
ml-project * /Users/zhangsan/miniconda3/envs/ml-project
dl-project /Users/zhangsan/miniconda3/envs/dl-project
llm-project /Users/zhangsan/miniconda3/envs/llm-project
* 号表示当前激活的环境。
删除环境
# 删除一个不再需要的环境
conda env remove -n ai-basic
# 确认已删除
conda env list
conda install vs pip install
这是新手最常问的问题。简单的原则：
| 情况 | 用什么 | 原因 |
|---|---|---|
| 大部分 Python 包 | pip install | pip 的包最全，更新最快 |
| CUDA 相关的包 | conda install | conda 能自动处理 CUDA 依赖 |
| 系统级的库（如 MKL） | conda install | pip 装不了系统级的库 |
| 不确定用哪个 | 先试 pip install | pip 更通用 |
一个重要原则
在同一个环境里，尽量不要混用 conda install 和 pip install 安装同一个包。如果你用 pip 装了 numpy，就不要再用 conda 装一次 numpy。混用可能导致版本混乱。
推荐做法：在 conda 环境里，优先用 pip 安装所有 Python 包。
导出和导入环境
场景：分享你的项目环境
你做完一个项目，想让同事（或未来的自己）能快速搭建相同的环境。
方式一：pip freeze（最常用）
# 导出当前环境的所有包到 requirements.txt
pip freeze > requirements.txt
requirements.txt 长这样：
numpy==1.26.4
pandas==2.2.0
scikit-learn==1.4.0
matplotlib==3.8.2
torch==2.1.2
别人拿到后，一行命令恢复：
# 创建新环境
conda create -n restored-env python=3.11
conda activate restored-env
# 安装所有依赖
pip install -r requirements.txt
方式二：conda env export
# 导出完整环境（包括 conda 和 pip 安装的包）
conda env export > environment.yml
恢复：
conda env create -f environment.yml
该用哪种？
| 文件 | 适合场景 | 优点 | 缺点 |
|---|---|---|---|
requirements.txt | 大部分项目 | 简单、通用、跨平台 | 不含 Python 版本信息 |
environment.yml | 包含 conda 特殊包的项目 | 完整、含 Python 版本 | 可能有平台差异 |
建议： 每个项目里都放一个 requirements.txt，这是 Python 社区的标准做法。
常见问题排查
问题1：conda activate 不生效
CommandNotFoundError: Your shell has not been properly configured to use 'conda activate'.
解决：
# 初始化 conda（根据你的 shell 选择）
conda init zsh # macOS 默认
conda init bash # Linux 默认
# 然后重启终端
问题2：command not found: python
安装了 Miniconda 但输入 python 报找不到。
# 检查 conda 环境是否激活
conda activate base
# 如果还不行，检查 PATH
which python
echo $PATH
问题3：包安装超时
pip install torch
# 卡住很久或报 timeout
解决：确认配置了国内镜像，或者手动指定：
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
问题4：版本冲突
ERROR: pip's dependency resolver found conflicts
解决思路：
# 方案1：创建一个全新的环境，逐个安装
conda create -n fresh python=3.11
conda activate fresh
pip install 包A
pip install 包B # 如果冲突，会提示哪里冲突
# 方案2：把冲突的包降到兼容的版本
pip install "包A>=1.0,<2.0"
问题5：装了包但 import 报错
import torch
# ModuleNotFoundError: No module named 'torch'
最常见原因：你装包的环境和运行代码的环境不是同一个。
# 检查当前环境
conda info --envs # 看哪个带 *
# 检查包装在了哪个环境里
conda activate 你以为装了torch的环境
pip list | grep torch
# 确认 Python 路径
which python
# 应该指向你的 conda 环境目录
实操练习：搭建你的第一个学习环境
# 1. 创建一个专门用于本课程的环境
conda create -n ai-course python=3.11
conda activate ai-course
# 2. 安装第 1 站需要的基础包
pip install requests beautifulsoup4 fastapi uvicorn
# 3. 安装第 2 站需要的数据分析包
pip install numpy pandas matplotlib seaborn jupyter
# 4. 验证安装
python -c "
import numpy as np
import pandas as pd
print(f'NumPy 版本: {np.__version__}')
print(f'Pandas 版本: {pd.__version__}')
print('✅ 环境搭建成功！')
"
# 5. 导出环境配置
pip freeze > requirements.txt
cat requirements.txt
# 6. 查看环境列表
conda env list
如果最后看到 ✅ 环境搭建成功！，你的 Python 环境就准备好了。
命令速查
| 命令 | 用途 |
|---|---|
conda create -n 名字 python=3.11 | 创建新环境 |
conda activate 名字 | 激活环境 |
conda deactivate | 退出当前环境 |
conda env list | 列出所有环境 |
conda env remove -n 名字 | 删除环境 |
pip install 包名 | 安装 Python 包 |
pip list | 查看已安装的包 |
pip freeze > requirements.txt | 导出依赖列表 |
pip install -r requirements.txt | 从文件安装依赖 |