先说说最常用的pip吧。这货基本上是Python的官方包管理器，只要你装了Python，它大概率就自带上了。用起来也简单，比如想装个requests库，命令行里敲个就完事儿。但pip有个坑：它默认是全局安装的。这意味着所有项目共用一套包，万一项目A需要Django 2.0，项目B非要Django 3.0，那就得打架了。我当初就栽在这头，两个项目互相报错，查了半天才发现是Django版本在搞鬼。
这时候就得祭出虚拟环境了。Python自带的venv模块挺好使，用就能建个隔离环境，激活后随便装包都不影响系统环境。我习惯每个项目单独建个虚拟环境，就像给代码穿个防护服。比如做Web开发时，先用venv创建环境，再pip安装Flask和SQLAlchemy， dependency冲突的问题直接迎刃而解。不过要注意，Windows和Linux激活环境的命令不一样，前者是，后者得用，这个细节新手特别容易懵。
除了pip，还有个重量级选手叫conda。这玩意儿在数据科学圈特别流行，因为它能管理非Python的依赖，比如装个C++库啥的。我上次训练机器学习模型，需要装TensorFlow和CUDA工具包，用conda一条命令就搞定了依赖链，比手动配置省心太多。但conda的缺点是体积大了点，全家桶安装动不动就几个G，如果只是写普通脚本反而显得杀鸡用牛刀。
说到实际使用，有几个小技巧值得分享。首先是requirements.txt文件，这简直就是团队协作的神器。用能把当前环境的所有包版本冻住，别人拿到文件后直接就能复现完全相同的环境。我们团队现在强制要求提交代码时必须带这个文件，省去了至少八成环境配置的扯皮时间。另外记得定期用检查过期包，但升级时得谨慎点------我有次手贱升级了numpy，结果整个图像处理模块全崩了，回滚版本才救回来。
对于复杂项目，可以试试Poetry这个新工具。它不仅能管理依赖，还能处理包发布和版本号，配置写在pyproject.toml里特别清晰。我上个月用Poetry重构了个老项目，原本杂乱的依赖关系被它整理得明明白白，还能自动解决兼容性问题。不过现在用的人还不多，遇到坑可能得自己琢磨解决方案。
最后扯点个人看法：包管理工具没有绝对的好坏，关键看场景。写个小脚本用pip+venv绰绰有余；搞数据科学可以优先考虑conda；要是做企业级应用，Poetry这类现代工具可能更合适。最重要的是养成好习惯------别在全局环境乱装包，及时记录依赖版本，定期清理不用的包。毕竟咱们程序员的时间，不该浪费在环境配置这种破事儿上对吧？