Python 的依赖管理工具一直没有标准化，原因主要包括：
- 历史发展的随意性：
Python发展早期对于依赖管理的重视程度不足，缺乏从一开始就进行统一规划和设计的意识 - 社区的分散性：
Python社区庞大且分散，众多开发者和团队各自为政，根据自己的需求和偏好开发工具，缺乏统一的协调和整合机制 - 多样化的使用场景：
Python应用场景广泛，从 Web 开发到数据科学、机器学习、系统管理脚本等。不同场景对依赖管理有着不同的要求 - 向后兼容性的挑战：
Python语言本身非常注重向后兼容性，这在一定程度上限制了对依赖管理工具进行根本性变革的可能性 - 缺乏统一的治理：与一些编程语言（如
Java有 Oracle 主导的规范制定）不同，Python没有一个强有力的单一实体来主导依赖管理工具的标准化工作 - 生态系统的快速变化：
Python生态系统发展迅速，新的库和框架不断涌现，这使得依赖关系变得越来越复杂
1. 什么是依赖管理
依赖管理工具常用于处理软件项目中的依赖关系。
在软件开发过程中，一个项目往往会依赖于许多其他的软件库、框架或组件。
依赖管理工具能够帮助开发者精确地指定这些依赖项的版本，自动下载和安装它们，并且可以在不同的环境中（如开发、测试、生产环境）保证依赖项的一致性。
这样可以有效避免因依赖版本混乱而导致的软件故障、兼容性问题等情况。
比如，其他编程语言的标准依赖管理工具有：NodeJS的npm，Rust的cargo，Java的Maven等等。
依赖管理工具最关键的作用是可重复性，意味着我们可以遵循一系列步骤，最终得到的软件项目是完全相同的。
特别是现在的项目（不管是开源的还是内部的）基本都需要多人协作，确保每个人的代码编译出来的软件运行结果一致是至关重要的。
良好的依赖管理可以对开发、构建和部署阶段的所有依赖关系都明确声明，并与版本控制中的代码一起跟踪。
简单来说：应用程序=代码+所有依赖项。
具体可以归纳为以下几个步骤：
- 创建定义文件：项目的描述，声明所需的依赖项和最小版本约束等
- 生成锁定文件：固定依赖项的版本和依赖项之间的关系
- 同步环境：一般都过git之类的版本管理工具互相同步
- 追踪定义文件和锁定文件：定义文件和锁定文件有变化时及时互相同步
2. 依赖管理工具对比
Python 的依赖管理工具虽然没有统一，但是有很多可供选择，下面一一分析每个工具的优缺点。
2.1. pip
pip是自带的默认包管理器，也是使用最多的工具，它的特点是只能用来安装Python包。
优势：
- 自
Python 3.4起包含在Python中，无需额外安装 - 2013年开始引入
wheels分发格式，安装速度大大提高 - 2020年开始加入了依赖解析算法，能够更好的保持环境的一致性
不足之处：
- 依赖
Python，也就是说使用pip必须先安装Python - 不能安装非Python的包
- 没有锁定文件
2.2. venv
用于创建虚拟环境的内置工具，在虚拟环境中可使用 pip 安装包，通过设置环境变量来隔离环境。
优势：自Python 3.3起包含在Python中。
不足之处：
- 是
Python工具，依赖Python安装 - 所有环境必须使用相同的
Python解释器 - 无法安装非
Python包
2.3. virtualenv
在 venv 成为 Python 内置工具前，我们通常使用virtualenv创建虚拟环境，可指定不同的 Python 解释器创建虚拟环境，需通过 pip 安装。
优势：能指定不同 Python 解释器创建虚拟环境。
不足之处与venv 是一样的。
2.4. pip-tools
轻量级工具，引入锁文件机制。
需先编写requirements.in作为定义文件，再用pip-compile生成requirements.txt锁文件，同步环境是使用pip-sync。
优势：轻量、简单，与基本的 <font style="color:rgba(0, 0, 0, 0.85);">pip/venv</font> 工具协同工作。
不足之处：
- 是
Python工具，需安装到项目环境中，可能存在兼容性问题 - 只能处理
pip可安装的包 - 定义文件需手动维护
2.5. Pipenv
整合了 pip、virtualenv 和 pip-tools 的功能，通过Pipfile和Pipfile.lock管理依赖和虚拟环境，自动更新文件。
优势：轻量、简单，包装了基本的 pip/venv 工具。
不足之处：
- 是
Python工具 - 有自己的定义和锁文件格式
- 只能处理
pip可安装的包 - 只能区分开发和非开发依赖，环境定义不够灵活
2.6. Poetry
旨在涵盖 Python 项目整个开发流程，包括项目引导、虚拟环境、依赖管理、构建和发布包。
通过pyproject.toml管理依赖，自动维护poetry.lock，支持依赖分组。
优势：
- 一体化工具，涵盖项目开发全生命周期
- 有方便的命令行界面
- 支持依赖分组
不足之处：
- 是
Python工具，较重量级，依赖多，安装可能有问题 - 与其他工具互操作性差，不支持其他构建后端
- 不支持维护互斥环境
- 有自己的依赖定义和锁文件格式
- 只能处理
pip可安装的包
2.7. PDM
类似于 Poetry，但遵循 PEP 标准，可使用uv进行依赖解析和安装，其构建后端可独立使用。
uv是后面将要介绍的另一个依赖管理工具。
优势：
- 遵循
PEP标准 - 可利用
uv进行依赖管理
不足之处：与 Poetry 类似，是 Python 工具，有较多依赖，存在相关缺点。
2.8. pyenv
用于安装和管理不同版本的 Python，可在全局或项目级别激活指定版本，是简单的 shell 实用程序，不依赖 Python 安装。
优势：
- 纯
shell脚本，无Python依赖 - 遵循
Unix哲学，专注于管理Python版本
不足之处：
- 安装新
Python版本需下载并编译源代码，耗时 - 首次设置可能较麻烦，需安装多个构建依赖
- 不支持
Windows
2.9. pipx
将 pip 包安装在用户级别的独立虚拟环境中，避免依赖冲突，通过 symlink(软链接) 将入口点链接到PATH，方便调用。
优势：比直接在用户级别 pip 安装工具更好，能隔离依赖，可使用不同 Python 解释器。
不足之处：
- 是
Python工具 - 无法安装同一工具的多个版本，所有项目需共享工具版本
2.10. uv
用 Rust 编写的全能工具，旨在替代多个 Python 管理工具，处理整个开发流程，包括安装包、管理虚拟环境、构建和发布等。
遵循 Python 标准，依赖定义在pyproject.toml，锁文件为uv.lock，支持任意依赖分组，能安装 pip 包作为可执行文件，可管理 Python 版本，维护全局包缓存。
优势：
- 用
Rust编写，速度极快，单二进制文件，无外部依赖 - 多平台支持
- 一体化工具，功能全面
- 遵循
Python标准 - 支持选择任何构建后端
- 支持依赖分组。
不足之处：
- 不支持维护多个互斥环境
- 只能处理
pip可安装的包
2.11. Conda
由 Anaconda 公司开发的不同生态系统的包管理器，主要用于安装anaconda.org上的包，
能创建虚拟环境，与 pip 生态系统不同，对【包】 的定义更广泛，包括共享库、头文件、可执行文件等。
优势：
- 多平台支持
- 有全局包缓存
- 包以编译二进制形式分发
- 依赖解析算法健壮
- 可在
Conda环境中使用pip - 支持全局和共享环境
不足之处：
- 速度慢
- 包的下载是串行的
- 安装过程有些侵入性，会修改
shell配置 - 与 “主”
Python生态系统互操作性有限 - 无锁文件
- 构建和分发
Conda包较痛苦
2.12. Mamba
是Conda的改进版，旨在解决Conda的痛点，如慢的依赖解析和并行下载问题，用 C++ 实现，使用不同算法，推荐安装方式已改变。
速度比Conda 快很多，其他方面和Conda类似。
2.13. Pixi
类似于 uv，但针对 Conda 生态系统，用 Rust 编写，支持多平台。
通过pyproject.toml或pixi.toml配置，有方便的命令行界面，支持管理多个虚拟环境和定义文件，有锁文件机制，支持类似 Makefile 的项目自动化任务，可指定系统依赖，但不帮助构建包。
优势：
- 用 Rust 编写，速度快，单二进制文件，无外部依赖
- 多平台支持
- 方便的命令行界面
- 全局包缓存
- 可下载
Python二进制文件和anaconda.org上的非Python包 - 能使用
pyproject.toml和pixi.toml配置 - 可选择任何构建后端
不足之处：与其他工具兼容性有限，且没有遵循 Conda 的全局环境理念。
3. 工具选择建议
如此之多的依赖管理工具，我们应该如何选择呢？
如果我们的项目只有对Python包的依赖，那么推荐uv和Pixi；
如果需要维护多个互斥的环境，那么推荐pip + venv + pip-tools + pyenv；
如果需处理无法通过 pip 安装的依赖，那么建议使用Pixi。
4. 总结
Python的依赖管理工具很多，但是大部分工具其实大同小异，只是互相做了一些小的改进。
我们选择时，除了考虑遗留项目的问题之外，尽量优先选择新出的工具。
新的工具除了会改进原有工具的缺点，还会借鉴其他语言的优秀的依赖管理工具。
目前，我个人的话，使用uv来管理项目比较多。
