conda 使用文档目录简介与生态发行版选择（Miniconda / Anaconda / Miniforge /

conda 是由 Anaconda 公司维护的跨语言、跨平台包与环境管理器。它不仅能管理 Python 包，还能管理编译器（gcc/clang）、CUDA、R、Julia、二进制库（OpenSSL、ffmpeg、HDF5 等），是数据科学与机器学习领域事实上的标准工具。

简介与生态
发行版选择（Miniconda / Anaconda / Miniforge / Mambaforge）
安装与升级
核心概念
环境管理
包管理
频道（Channel）与 conda-forge
environment.yml 与项目化
conda 与 pip 协同
mamba / micromamba 加速
国内镜像加速
GPU / CUDA 工作流
Jupyter / 数据科学工作流
私有源、企业内网与代理
构建与发布 conda 包
Docker 与 CI 集成
IDE 集成
迁移指南
常见问题与排错
conda vs pip vs uv 对比
命令速查表
推荐学习资源

1. 简介与生态

1.1 conda 是什么

conda 是一个通用的二进制包管理器，与语言无关。它管理的"包"是带有平台标签的预编译二进制（.conda / .tar.bz2），无需源码编译即可安装，特别适合需要 C/C++/Fortran/CUDA 扩展的科学计算栈。

1.2 生态全景

组件	作用
conda	包/环境管理器（CLI）
Anaconda	包含 conda + 数百个常用包的"全家桶"发行版
Miniconda	仅含 conda 与 Python 的精简发行版（推荐入门）
Miniforge	默认使用 conda-forge 频道的开源发行版（社区推荐）
conda-forge	社区维护的开源频道，包数量与更新速度远超官方 defaults
bioconda	生物信息学专用频道
mamba	C++ 重写的 conda 兼容工具，速度快数倍
micromamba	单一二进制版 mamba，无需预装 conda
conda-build	构建自定义 conda 包的工具
anaconda.org	公共与私有 conda 包托管平台

1.3 为什么选 conda

管理非 Python 依赖：CUDA、cuDNN、MKL、OpenCV、ffmpeg、PROJ、GDAL 等系统库，pip 安装常出问题，conda 可一键搞定。
跨平台一致：同一份 environment.yml 在 Win/macOS/Linux 上能装出几乎相同的二进制环境。
环境彻底隔离：每个环境带自己的 Python、C 库、CUDA 工具链。
不需要管理员权限：所有内容装在用户目录。

1.4 何时不该用 conda

纯 Python Web 项目、轻量 CLI、库开发：uv / pip 更快更轻。
不需要 C/CUDA 扩展且追求极速依赖解析的场景。

2. 发行版选择

发行版	大小	默认频道	适合人群
Anaconda	~3 GB	defaults	教学、快速上手、不在意磁盘
Miniconda	~80 MB	defaults	想自己控制装哪些包
Miniforge ⭐	~80 MB	conda-forge	推荐：默认开源、商业可用
Mambaforge（已并入 Miniforge）	~80 MB	conda-forge	旧名，现在 Miniforge 自带 mamba

⚠️ 商业使用注意：Anaconda 公司自 2020 年起对商业使用 defaults 频道收费（>200 人组织）。企业用户应使用 Miniforge + conda-forge，完全免费。

3. 安装与升级

3.1 Windows

下载安装器（推荐 Miniforge）：

# Miniforge
curl -L -o Miniforge3.exe https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Windows-x86_64.exe
./Miniforge3.exe                # 双击运行图形安装器

或使用 winget：

winget install --id=Anaconda.Miniconda3 -e
# 或
winget install --id=CondaForge.Miniforge3 -e

安装后，使用「Miniforge Prompt」或「Anaconda Prompt」启动一个已初始化的终端。

3.2 macOS / Linux

# Miniforge（推荐）
curl -L -O "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh"
bash Miniforge3-$(uname)-$(uname -m).sh

# Miniconda
curl -L -O https://repo.anaconda.com/miniconda/Miniconda3-latest-$(uname)-$(uname -m).sh
bash Miniconda3-latest-$(uname)-$(uname -m).sh

按提示一路回车，最后回答 yes 让安装器写入 shell 初始化脚本。

3.3 验证与初始化

conda --version
conda info

# 重新初始化某个 shell
conda init bash         # zsh / fish / powershell / cmd.exe

3.4 升级 conda 自身

conda update -n base conda
conda update --all -n base   # 升级 base 环境所有包（谨慎）

3.5 卸载

直接删除安装目录（默认 ~/miniconda3 或 ~/miniforge3），并清理 shell 配置文件中的 >>> conda initialize >>> 块。

4. 核心概念

4.1 base 环境

安装 conda 时自带的根环境，永远不要往里装项目依赖——只放 conda、mamba 等管理工具。每个项目用单独环境。

4.2 环境（environment）

一个独立的目录，包含自己的 Python 解释器、二进制库、site-packages。位置：

默认：<安装目录>/envs/<env_name>/
可在任意路径创建：conda create -p ./venv ...（叫 prefix 环境）

4.3 频道（channel）

包的来源服务器。常见频道：

defaults — Anaconda 公司维护（商业受限）
conda-forge — 社区维护（推荐）
bioconda — 生物信息
pytorch、nvidia、huggingface — 厂商频道

4.4 包格式

.conda — 新格式（zstd 压缩，更快）
.tar.bz2 — 旧格式
命名：numpy-1.26.4-py312h7f0e7c6_0.conda（包名-版本-构建串）

4.5 解析器（solver）

classic — 老解析器，速度慢
libmamba ⭐ — 新解析器（conda 23.10+ 默认），快数倍

conda config --set solver libmamba

5. 环境管理

5.1 创建环境

conda create -n myenv python=3.12              # 命名环境
conda create -n ds python=3.12 numpy pandas    # 创建时安装包
conda create -p ./venv python=3.12             # prefix 环境（项目本地）
conda create -n myenv --clone base             # 克隆现有环境
conda create -n myenv --file requirements.txt  # 从 requirements 创建

5.2 激活与退出

conda activate myenv
conda activate ./venv      # prefix 环境
conda deactivate           # 退出

5.3 列出环境

conda env list             # 或 conda info --envs

5.4 删除环境

conda env remove -n myenv
conda remove -p ./venv --all

5.5 重命名

conda rename -n old new

5.6 导出与重建

# 完整导出（含构建串，平台特定）
conda env export -n myenv > environment.yml

# 跨平台导出（不含构建串）
conda env export -n myenv --no-builds > environment.yml

# 仅导出显式安装的包（最干净）
conda env export -n myenv --from-history > environment.yml

# 从文件创建
conda env create -f environment.yml

# 更新现有环境
conda env update -f environment.yml --prune    # --prune 移除不再需要的包

6. 包管理

6.1 搜索

conda search numpy
conda search 'numpy>=1.26'
conda search -c conda-forge 'pytorch=2.3.*'
conda search 'python=3.12.*[build=*cpython*]'   # 高级匹配

6.2 安装

conda install numpy pandas
conda install -c conda-forge polars
conda install -n myenv numpy                    # 装到指定环境
conda install 'numpy=1.26'                      # 精确版本
conda install 'numpy>=1.26,<2'                  # 范围
conda install --only-deps scikit-learn          # 仅装依赖（用于离线打包）
conda install --no-deps somepkg                 # 不装依赖（高级用法）

6.3 更新

conda update numpy
conda update --all                              # 更新当前环境所有包（谨慎）
conda update -n myenv --all

6.4 卸载

conda remove numpy
conda remove -n myenv numpy pandas
conda remove --force somepkg                    # 不检查依赖（危险）

6.5 查看已安装

conda list                                      # 当前环境
conda list -n myenv
conda list numpy                                # 过滤
conda list --explicit > spec-file.txt           # 含 URL 的精确清单

6.6 包信息

conda info numpy
conda search numpy --info                       # 含构建依赖

6.7 锁定与重现

# 生成精确锁文件（含 URL + 哈希，平台特定）
conda list --explicit > spec-file.txt

# 在另一台同平台机器上重建
conda create -n myenv --file spec-file.txt

# 跨平台锁定推荐使用 conda-lock
pip install conda-lock
conda-lock -f environment.yml -p linux-64 -p osx-arm64 -p win-64
conda-lock install -n myenv conda-lock.yml

7. 频道（Channel）与 conda-forge

7.1 频道优先级

conda config --show channels
conda config --add channels conda-forge         # 添加到最前
conda config --append channels bioconda         # 添加到最后
conda config --remove channels defaults
conda config --set channel_priority strict      # 严格按频道优先级（推荐）

strict 优先级避免不同频道的包混装造成 ABI 不兼容。

7.2 切换到 conda-forge 为主

~/.condarc（Windows 为 %USERPROFILE%\.condarc）：

channels:
  - conda-forge
  - nodefaults
channel_priority: strict

7.3 临时使用某频道

conda install -c conda-forge -c pytorch pytorch

7.4 常用专业频道

频道	用途
`conda-forge`	通用社区频道
`bioconda`	生物信息
`pytorch`	PyTorch 官方
`nvidia`	CUDA / cuDNN / NCCL
`huggingface`	Transformers 等
`pyviz` / `holoviz`	可视化
`numba`	numba / numbapro

8. environment.yml 与项目化

8.1 标准 environment.yml

name: ml-project
channels:
  - conda-forge
  - pytorch
  - nvidia
  - nodefaults
dependencies:
  - python=3.12
  - numpy>=1.26
  - pandas
  - scikit-learn
  - pytorch=2.3.*
  - pytorch-cuda=12.1
  - jupyterlab
  # pip 兜底
  - pip
  - pip:
      - some-pypi-only-package
      - -e .                        # 安装本项目（开发模式）
variables:
  CUDA_VISIBLE_DEVICES: "0"

8.2 操作

conda env create -f environment.yml             # 创建
conda env update -f environment.yml --prune     # 更新（与文件对齐）
conda env export --from-history > environment.yml   # 反向导出

8.3 多文件分层

environment-base.yml 通用、environment-dev.yml 加测试工具：

# environment-dev.yml
name: ml-project
channels: [conda-forge]
dependencies:
  - --file environment-base.yml      # 不直接支持，需手动合并
  - pytest
  - ruff

conda 原生不支持 include，常用做法是用 conda-lock 或脚本化合并。

8.4 prefix 环境（项目本地）

conda env create -f environment.yml -p ./.conda
conda activate ./.conda
echo ".conda/" >> .gitignore

类似 node_modules 风格，环境跟着项目走。

9. conda 与 pip 协同

9.1 黄金法则

能用 conda 装的就用 conda 装，剩下的再用 pip。

顺序很重要：先 conda install，最后 pip install。反向操作可能导致 conda 后续覆盖 pip 装的包。

9.2 environment.yml 中的 pip 段

dependencies:
  - python=3.12
  - numpy
  - pip
  - pip:
      - fastapi
      - 'uvicorn[standard]'
      - -r requirements-pip.txt    # 引用外部文件
      - -e .                        # 当前项目可编辑安装

9.3 检查冲突

conda list                          # pip 安装的包以 <pip> 标记
pip check                           # 检查依赖完整性

9.4 在 conda 环境里使用 uv（强力组合）

conda create -n hybrid python=3.12 -c conda-forge
conda activate hybrid
conda install -c conda-forge cudatoolkit=12.1 cudnn      # 系统级依赖给 conda
pip install uv
uv pip install torch transformers                         # 纯 PyPI 依赖给 uv（飞快）

10. mamba / micromamba 加速

10.1 mamba

C++ 重写的 conda 兼容工具，命令几乎一一对应，速度快 5–10 倍。

conda install -n base -c conda-forge mamba

mamba install numpy pandas
mamba create -n ds python=3.12 numpy
mamba env create -f environment.yml
mamba update --all

conda 23.10+ 已默认使用 libmamba 解析器，多数情况下原生 conda 也已经很快。

10.2 micromamba

单一静态二进制（约 10 MB），无需 Python，可在轻量容器/CI 中替代 conda。

# Linux/macOS
curl -L micro.mamba.pm/install.sh | bash

# Windows
Invoke-WebRequest -URI https://micro.mamba.pm/api/micromamba/win-64/latest -OutFile micromamba.tar.bz2

用法：

micromamba create -n ds -f environment.yml -c conda-forge -y
micromamba activate ds
micromamba install numpy

适合 Docker 镜像 —— 比完整 Miniconda 小一个数量级。

11. 国内镜像加速

商业用户使用 Anaconda 镜像需注意授权；conda-forge 镜像无此限制。

11.1 清华源（TUNA）

~/.condarc：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  nvidia: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

11.2 中科大源（USTC）

把上面的 mirrors.tuna.tsinghua.edu.cn 替换为 mirrors.ustc.edu.cn 即可。

11.3 阿里云

default_channels:
  - https://mirrors.aliyun.com/anaconda/pkgs/main
  - https://mirrors.aliyun.com/anaconda/pkgs/r
custom_channels:
  conda-forge: https://mirrors.aliyun.com/anaconda/cloud

11.4 命令行配置

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --set show_channel_urls yes
conda config --show               # 查看完整配置
conda config --remove-key channels   # 重置为默认

11.5 同时给 pip 配镜像

~/.pip/pip.conf（Windows 为 %APPDATA%\pip\pip.ini）：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

12. GPU / CUDA 工作流

conda 最大的优势之一：CUDA 工具链按环境隔离，不污染系统。

12.1 PyTorch（官方推荐方式）

conda create -n torch python=3.12 -c conda-forge
conda activate torch
conda install pytorch torchvision pytorch-cuda=12.1 -c pytorch -c nvidia

验证：

python -c "import torch; print(torch.cuda.is_available(), torch.version.cuda)"

12.2 TensorFlow

conda create -n tf python=3.11 -c conda-forge
conda activate tf
conda install -c conda-forge tensorflow-gpu
# 或最新版用 pip
pip install 'tensorflow[and-cuda]'

12.3 仅安装 CUDA Toolkit（给其他工具用）

conda install -c nvidia cuda-toolkit=12.1
conda install -c conda-forge cudnn

12.4 多 CUDA 版本共存

每个 conda 环境一个 CUDA 版本，激活哪个用哪个，互不干扰。

conda create -n cu118 python=3.11 pytorch pytorch-cuda=11.8 -c pytorch -c nvidia
conda create -n cu121 python=3.12 pytorch pytorch-cuda=12.1 -c pytorch -c nvidia

12.5 排错

nvidia-smi                                    # 系统驱动版本
conda list | grep -i cuda                     # 环境内 CUDA 版本
python -c "import torch; print(torch.backends.cudnn.version())"

⚠️ 系统驱动版本必须 ≥ conda 环境里 CUDA 运行时版本。

13. Jupyter / 数据科学工作流

13.1 标准数据科学环境

# environment.yml
name: ds
channels: [conda-forge]
dependencies:
  - python=3.12
  - numpy
  - pandas
  - polars
  - scipy
  - matplotlib
  - seaborn
  - plotly
  - scikit-learn
  - statsmodels
  - jupyterlab
  - ipykernel
  - ipywidgets
  - pyarrow
  - duckdb

conda env create -f environment.yml
conda activate ds
jupyter lab

13.2 一个 Jupyter，多个环境

在 base 装 JupyterLab，每个项目环境注册自己的内核：

# base 环境装 jupyter
conda activate base
conda install -c conda-forge jupyterlab nb_conda_kernels

# 项目环境只需装 ipykernel
conda activate myproject
conda install -c conda-forge ipykernel
python -m ipykernel install --user --name myproject --display-name "Python (myproject)"

nb_conda_kernels 可让 JupyterLab 自动发现所有 conda 环境作为可用内核。

13.3 R 语言

conda create -n r-env -c conda-forge r-base r-essentials r-irkernel
conda activate r-env
R -e "IRkernel::installspec()"

14. 私有源、企业内网与代理

14.1 自建 conda 频道

把目录 mychannel/<platform>/*.conda 放到任何 HTTP 服务器上：

mychannel/
├── linux-64/
│   ├── repodata.json
│   └── mypkg-0.1-py312_0.conda
├── osx-arm64/
├── win-64/
└── noarch/

生成 repodata.json：

conda install -c conda-forge conda-index
conda index mychannel/

使用：

conda install -c http://internal.company.com/mychannel mypkg

14.2 Anaconda Server / 商业仓库

企业方案：Anaconda Server、Quetz、JFrog Artifactory、Sonatype Nexus。

14.3 认证（Token / 用户名密码）

# ~/.condarc
channels:
  - https://user:token@conda.company.com/team/channel

或环境变量：

export CONDA_TOKEN=xxx

14.4 HTTP 代理

~/.condarc：

proxy_servers:
  http: http://proxy.company.com:8080
  https: http://proxy.company.com:8080
ssl_verify: true                # 或 false（不安全）/ /path/to/ca.pem

或环境变量：

export HTTPS_PROXY=http://proxy.company.com:8080
export HTTP_PROXY=http://proxy.company.com:8080

14.5 自签证书

ssl_verify: /path/to/corp-ca.pem

14.6 离线/气隙环境

# 在线机器：下载所有包到本地
conda install --download-only -n offline-pack numpy pandas scikit-learn

# 复制 pkgs/ 目录到离线机器
# 或制作完整的 conda 频道：
conda-pack -n myenv -o myenv.tar.gz       # 打包整个环境（推荐）

conda-pack 把环境打成一个可在另一台同平台机器解压即用的压缩包。

mkdir -p /opt/myenv && tar -xzf myenv.tar.gz -C /opt/myenv
source /opt/myenv/bin/activate
conda-unpack                              # 修复内嵌路径

15. 构建与发布 conda 包

15.1 安装构建工具

conda install -n base -c conda-forge conda-build conda-verify

15.2 最小 recipe

mypackage/
├── meta.yaml
├── build.sh        # macOS/Linux
└── bld.bat         # Windows

meta.yaml：

package:
  name: mypackage
  version: "0.1.0"

source:
  path: ../

build:
  number: 0
  script: {{ PYTHON }} -m pip install . -vv

requirements:
  host:
    - python >=3.10
    - pip
    - setuptools
  run:
    - python >=3.10
    - numpy >=1.26

test:
  imports:
    - mypackage

about:
  home: https://github.com/me/mypackage
  license: MIT
  summary: My awesome package

15.3 构建

conda build mypackage/ -c conda-forge
conda build mypackage/ --output            # 查看产物路径

15.4 本地安装测试

conda install --use-local mypackage

15.5 发布到 anaconda.org

conda install anaconda-client
anaconda login
anaconda upload /path/to/mypackage-0.1.0-py312_0.conda

15.6 贡献到 conda-forge

通过 staged-recipes 提交 PR；合并后会自动建立独立 feedstock 仓库，后续维护使用 conda-smithy。

16. Docker 与 CI 集成

16.1 基于 Miniconda 的 Dockerfile

FROM continuumio/miniconda3:latest

WORKDIR /app
COPY environment.yml .
RUN conda env create -f environment.yml && conda clean -afy

# 让后续 RUN/CMD 默认在 myenv 内执行
SHELL ["conda", "run", "--no-capture-output", "-n", "myenv", "/bin/bash", "-c"]

COPY . .
CMD ["conda", "run", "--no-capture-output", "-n", "myenv", "python", "main.py"]

16.2 micromamba 镜像（更小）

FROM mambaorg/micromamba:1.5

COPY --chown=$MAMBA_USER:$MAMBA_USER environment.yml /tmp/
RUN micromamba install -y -n base -f /tmp/environment.yml && \
    micromamba clean --all --yes

ARG MAMBA_DOCKERFILE_ACTIVATE=1   # 自动激活 base 环境

WORKDIR /app
COPY . .
CMD ["python", "main.py"]

16.3 conda-pack 极致瘦身

多阶段构建：在第一阶段用 conda 装环境并 pack，第二阶段拷贝到 distroless 基础镜像。

FROM continuumio/miniconda3 AS builder
COPY environment.yml .
RUN conda env create -f environment.yml -n myenv && \
    conda install -c conda-forge conda-pack && \
    conda-pack -n myenv -o /tmp/env.tar && \
    mkdir /venv && tar xf /tmp/env.tar -C /venv && \
    /venv/bin/conda-unpack

FROM debian:bookworm-slim
COPY --from=builder /venv /venv
ENV PATH=/venv/bin:$PATH
COPY . /app
WORKDIR /app
CMD ["python", "main.py"]

16.4 GitHub Actions

jobs:
  test:
    runs-on: ubuntu-latest
    defaults:
      run:
        shell: bash -el {0}        # 让 conda activate 生效
    steps:
      - uses: actions/checkout@v4
      - uses: conda-incubator/setup-miniconda@v3
        with:
          miniforge-version: latest
          activate-environment: myenv
          environment-file: environment.yml
          use-mamba: true
      - run: conda info
      - run: pytest

16.5 GitLab CI

default:
  image: condaforge/mambaforge:latest
  before_script:
    - mamba env create -f environment.yml -n myenv
    - source activate myenv

test:
  script:
    - pytest

17. IDE 集成

17.1 VS Code

安装 Python 扩展。
Ctrl+Shift+P → Python: Select Interpreter → 选 ~/miniconda3/envs/myenv/bin/python（Windows 为 Scripts\python.exe）。
.vscode/settings.json：

{
  "python.condaPath": "C:\\Users\\me\\miniforge3\\Scripts\\conda.exe",
  "python.defaultInterpreterPath": "C:\\Users\\me\\miniforge3\\envs\\myenv\\python.exe",
  "python.terminal.activateEnvironment": true
}

17.2 PyCharm

Settings → Project → Python Interpreter → Add Interpreter → Conda Environment → 选已有环境或新建。PyCharm 原生支持 conda。

17.3 Cursor / Zed / Neovim

通过 LSP（pyright / basedpyright / pylsp）自动发现解释器；可在项目根放 .python-version 或环境变量 CONDA_DEFAULT_ENV 引导。

17.4 Jupyter（VS Code 内置）

打开 .ipynb → 右上角内核选择器 → 选 conda 环境的 Python 即可。需要环境内安装 ipykernel。

18. 迁移指南

18.1 从 Anaconda 迁到 Miniforge（避免商业许可问题）

# 1. 备份现有环境
conda env list
for env in $(conda env list | awk '/^\w/ {print $1}' | grep -v base); do
  conda env export -n $env --from-history > $env.yml
done

# 2. 卸载 Anaconda（删除安装目录 + 清理 ~/.bashrc）

# 3. 安装 Miniforge

# 4. 重建环境
for f in *.yml; do
  conda env create -f $f
done

18.2 从 venv/pip 迁到 conda

pip freeze > requirements.txt
conda create -n myenv python=3.12
conda activate myenv
# 尽量用 conda 装，剩下用 pip
conda install -c conda-forge --file requirements.txt 2>missing.txt
pip install -r missing.txt

18.3 从 conda 迁到 uv（轻量项目）

conda activate myenv
pip freeze > requirements.txt
deactivate

# 新项目
uv init && uv add -r requirements.txt

18.4 conda + uv 混合（推荐 ML 项目）

系统级二进制（CUDA、ffmpeg、GDAL）→ conda
纯 Python 包 → 在 conda 环境里用 uv pip install （飞快）

19. 常见问题与排错

19.1 解析卡死 / "Solving environment" 永远转圈

conda config --set solver libmamba       # 切换到快速解析器
conda update -n base conda
# 或用 mamba
mamba install <pkg>

如果是频道冲突：

conda config --set channel_priority strict

19.2 PackagesNotFoundError

包不在配置的频道里：

conda search -c conda-forge <pkg>
conda install -c conda-forge <pkg>

或退而求其次：

pip install <pkg>

19.3 ImportError / 库不兼容

通常是 conda + pip 混装导致的二进制 ABI 冲突：

conda list                                 # 看 <pip> 标记
conda env remove -n myenv && conda env create -f environment.yml   # 重建

19.4 磁盘占满

conda clean --all                           # 清理缓存（包、tarball、索引）
conda clean --packages                      # 仅清理未使用的包
du -sh ~/miniforge3/pkgs/                   # 查看缓存大小

19.5 base 环境被搞坏

conda install -n base --revision 0          # 回到最初版本
conda list -n base --revisions              # 查看历史

最坏情况：删除 conda 重装，环境数据在 envs/ 下，重装后还能用。

19.6 激活脚本未生效

conda init bash                             # 重新初始化
source ~/.bashrc
# Windows
conda init powershell

19.7 Windows 长路径与中文路径

启用长路径：HKLM\SYSTEM\CurrentControlSet\Control\FileSystem\LongPathsEnabled = 1
安装目录避免空格、中文。

19.8 SSL 证书错误

conda config --set ssl_verify /path/to/corp-ca.pem
# 仅排错时（不安全）
conda config --set ssl_verify false

20. conda vs pip vs uv 对比

维度	conda	pip	uv
管理范围	Python + 任意二进制库 + 编译器 + CUDA	仅 PyPI 上的 Python 包	仅 PyPI（含纯 Python 与 wheel）
包格式	预编译二进制（.conda）	wheel + 源码	wheel + 源码
解析速度	慢（libmamba 改善后中等）	中	极快
环境管理	内置，强	需配 venv	内置，强
Python 版本管理	可装任意 Python	不能	可装任意 Python
锁文件	`--explicit` / conda-lock（第三方）	requirements.txt（无哈希）	uv.lock（含哈希，原生）
系统库（OpenSSL, ffmpeg）	✅	❌	❌
CUDA / cuDNN	✅	❌（除非装在系统）	❌
企业商业使用	Miniforge 免费 / Anaconda 商用受限	免费	免费
生态广度	数据科学/科学计算最全	通用 Python 最广	通用 Python 最广
跨平台 lock	conda-lock 支持	不支持	原生支持
学习成本	中（频道/解析概念多）	低	低

选型建议

数据科学 / ML / 含 CUDA / 含 C 扩展密集：conda（Miniforge）+ conda-forge，必要时叠加 uv
Web / API / CLI / 库开发：uv
遗留项目维护：pip + venv

21. 命令速查表

21.1 环境

命令	用途
`conda create -n <env> python=3.12`	创建命名环境
`conda create -p ./venv python=3.12`	创建 prefix 环境
`conda activate <env>`	激活
`conda deactivate`	退出
`conda env list`	列出所有环境
`conda env remove -n <env>`	删除
`conda rename -n old new`	重命名
`conda env export -n <env> > env.yml`	导出
`conda env create -f env.yml`	从文件创建
`conda env update -f env.yml --prune`	更新并清理

21.2 包

命令	用途
`conda install <pkg>`	安装
`conda install -c conda-forge <pkg>`	指定频道安装
`conda update <pkg>`	升级
`conda update --all`	升级全部
`conda remove <pkg>`	卸载
`conda list`	列出已装
`conda search <pkg>`	搜索
`conda list --explicit > spec.txt`	导出精确清单

21.3 频道与配置

命令	用途
`conda config --show`	查看所有配置
`conda config --add channels conda-forge`	添加频道
`conda config --set channel_priority strict`	严格优先级
`conda config --set solver libmamba`	切换快速解析器

21.4 维护

命令	用途
`conda clean --all`	清理所有缓存
`conda update -n base conda`	升级 conda 自身
`conda info`	查看安装信息
`conda list --revisions`	查看环境变更历史
`conda install --revision N`	回滚环境

21.5 mamba / micromamba

命令	用途
`mamba install <pkg>`	与 conda install 等价但更快
`mamba env create -f env.yml`	创建环境
`micromamba create -n <env> -f env.yml -y`	单一二进制版

22. 推荐学习资源

conda 官方文档：docs.conda.io/
conda-forge：conda-forge.org/
Miniforge：github.com/conda-forge…
mamba：mamba.readthedocs.io/
conda-lock：github.com/conda/conda…
conda-pack：conda.github.io/conda-pack/
conda-build：docs.conda.io/projects/co…
Anaconda 商业政策说明：www.anaconda.com/blog/anacon…
清华源使用帮助：mirrors.tuna.tsinghua.edu.cn/help/anacon…

结语：conda 的核心价值在于"管 Python 也管系统"，对数据科学与机器学习几乎无可替代。但它解析慢、商业受限、生态偏重学术，纯 Web/CLI 项目不必为它买单。一个务实的现代组合是：Miniforge（开源 conda）→ conda-forge 频道 → libmamba/mamba 提速 → 在环境内用 uv 装纯 Python 包，兼得二进制完备与速度极致。