Linux 系统中配置国内源下载时使用pip install 和conda install哪个快？

bash 复制代码

"channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ 
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ 
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ 
  - defaults

在清华镜像已经配好的前提下，绝大多数场景用 pip 会更快，原因有三点：

1.通道实际走的协议

pip 直连清华 TUNA 的 PyPI 镜像（HTTPS，全球 CDN 节点多，带宽足）。
conda 虽然你也写了清华的 conda-forge / main 通道，但 conda 解析的是「repodata.json」，文件体量大（几十 MB），且每次都要做 SAT 依赖求解，网络+CPU 耗时都比 pip 高一个量级。

2.依赖求解复杂度

pip 的依赖算法简单粗暴：「先下轮子，后报错」，装包速度几乎等于纯下载速度。
conda 要做严格的"环境一致性"检查，版本冲突时要回退、重算，经常把 repodata 反复拉几遍，尤其在 Windows 上感受明显。

3.二进制包大小

conda-forge 提供的二进制包为了兼容性，普遍比 PyPI 的 wheel 大（带全套共享库）。
PyPI 的 wheel 只包含 Python 扩展模块，体积更小，下载自然更快。

4.什么时候反而用 conda 更划算

需要「非 Python 依赖」统一管理的库（cuda-toolkit、mkldnn、ffmpeg、gcc 等）。
团队统一用 conda 环境，避免 pip 混装把 conda 环境搞坏。
离线内网已经同步好 conda 仓库，没有 PyPI 镜像。

5.注意

选定一个包管理器：conda 就用到底，pip 就用到底，不要交叉。

因为：二进制扩展包（numpy、scipy、opencv、sklearn...）在编译时就把"谁是谁"写死了，交叉安装等于把两套互相不认识、甚至 ABI 不兼容的库硬塞到同一目录，一旦加载顺序或符号版本对不上，就直接 ImportError/DLL load failed。
- 编译链不同
  - conda-forge 用 GCC + Intel MKL + 特定 flags 编译，链接的是 mkl_rt.dll 和 libiomp5md.dll。
  - PyPI 官方 whl 用 MSVC + OpenBLAS 编译，链接的是 libopenblas.dll。两套 DLL 同时躺在 ~\Lib\site-packages 下，Python 先找到谁就用谁，结果：numpy 以为后面是 OpenBLAS，scipy 以为前面是 MKL → 符号表对不上 → 启动即炸。
- ABI / 名字空间冲突
  - Cython 生成的 .pyd 在导入时会检查import numpy.core._multiarray_umath
    的 ABI 版本标记（见 __Pyx_check_numpy_version）。conda 的 numpy 把标记写成 0x01000009，pip 的 scipy 编译时预期的是 0x0100000a，一加载就拒绝工作，抛ImportError: numpy.core.multiarray failed to import。
- 依赖图被"撕成两半"
  - conda resolver 把 liblapack、intel-openmp、tbb 等当作独立包管理；pip 只认 *.dist-info 目录，对这些系统库视而不见。结果：conda install scipy 会拉下 mkl-service、intel-openmp。你随后 pip install scikit-learn 又拉下一套 OpenBLAS 副本。磁盘里两份 BLAS，运行时加载器只挑第一个找到的，版本错就直接崩溃。