Python 的开发环境管理一直是综合性的工程问题。随着工具和规范的不断进化，我们看到了从 virtualenv / pip 开始，到 pipenv 和 poetry 的环境一体化，再到 uv 和 hatch 这样的一体化、高性能新生代工具。
本文将对比这些工具的特点、优势和选型场景，帮助你在开发项目中做出最适合的选择。
基本功能对比
| 工具 | 虚拟环境 | 包依赖管理 | 构建发布 | Python 管理 | 性能 | lockfile | 适用场景 |
|---|---|---|---|---|---|---|---|
| venv | ✅ (内置) | ❌ (hand-written) | ❌ | ❌ | 平常 | ❌ | 简单脚本项目 |
| virtualenv | ✅ | ❌ | ❌ | ❌ | 较快 | ❌ | 简单组合环境 |
| pipenv | ✅ | ✅ | ❌ | ❌ | 中 | ✅ | 小型项目 |
| poetry | ✅ | ✅ | ✅ | ❌ | 中 | ✅ | 模块化/应用级项目 |
| conda | ✅ | ✅ (包括 C 等) | ❌ | ✅ | 较慢 | ✅ | 数据分析/跨语言 |
| hatch | ✅ | ✅ | ✅ | ✅ (via plugin) | 较快 | ✅ | 小型到中型项目 |
| uv | ✅ | ✅ | ✅ | ✅ | 【极快】 | ✅ | 全场景通合 |
各工具简介 & 优缺点
1. venv / virtualenv
- 系统内置，无需安装
- 支持创建本地虚拟环境
- 不管包依赖，简单运行环境分离
- 适合自己写 requirements.txt 的场景
2. pipenv
- 给 pip 和 venv 加上 UI 系统
- Pipfile + Pipfile.lock 管理依赖
- 不支持 build 和 publish
- 对于小型项目，体验较好
3. poetry
- 基于
pyproject.toml设置的环境/dep 管理器 - 支持开发、build 和发布
- lockfile 确保环境可复现
- 突出缺点：速度慢，复杂依赖处理时有耗时问题
4. conda
- 解决 Python+C/C++/R 等多语言环境包依赖
- 较重，需要安装 Anaconda/Miniconda
- 通常用于数据分析和科研类项目
- 不适合纯 Python Web/App 开发
5. hatch
- 面向环境、构建、插件、多项目管理
- 依赖 pyproject.toml
- 内部可选 virtualenv 或 uv 为虚拟环境 backend
- 适合需要高度定制化环境配置的高级用户
6. uv (by Astral)
- 联合 pip / virtualenv / pyenv / poetry / pipx 功能，扩展性强
- 极速：安装速度10-100倍提升
- 支持添加脚本依赖，工作区(workspace)，单位测试，build，publish
- 未来有望成为 Python 官方硬核工具链
HackerNews 用户评价："uv handles everything I need... It just works, and it works great."
如何选择？
| 场景 | 推荐工具 |
|---|---|
| 简单脚本 / 原型验证 | venv / virtualenv |
| 数据分析 / 机器学习 | conda |
| 小型 Web/模块项目 | pipenv / poetry |
| 经常发布包/路线项目 | poetry / hatch |
| 跨项目工作区 | uv |
| 全能一体化需求 | uv |
Python 环境管理工具的变迁，是对 Python 集成开发与可复现性综合需求的响应。
如果你需要极致性能和集成性，不放过 uv；如果你尽可能靠近官方模式，poetry/hatch 是稳健之选；如果你做数据科学，conda 依然是平行二维中的强者。
时代在变，新工具还会继续出现，环境管理的最佳实践也将进入新阶段。