Conda 环境依赖导出指南：四种常用方法总结

Conda 环境依赖导出指南：四种常用方法总结

在团队协作、项目部署或开源项目中，经常需要把当前开发环境分享给别人。对于 AI 项目来说，环境配置往往比代码更容易出问题，因此学会正确导出依赖非常重要。

本文总结几种常用的 Conda 环境导出方式，以及不同场景下应该如何选择。

---

一、导出完整 Conda 环境（推荐）

这是 Conda 官方推荐的方式，也是最适合团队协作和服务器部署的方法。

导出

先进入需要导出的环境：

conda activate your_env

然后执行：

conda env export --no-builds > environment.yml

例如：

conda activate ai-service

conda env export --no-builds > environment.yml

生成的 environment.yml 大致如下：

name: ai-service

channels:
  - defaults

dependencies:
  - python=3.11
  - numpy
  - pytorch
  - pip
  - pip:
      - fastapi==0.116.0
      - langchain==0.3.0
      - openai==1.100.0

恢复环境：

conda env create -f environment.yml

如果环境已经存在，可以更新：

conda env update -f environment.yml

---

为什么推荐使用 --no-builds

如果直接执行：

conda env export

生成的文件通常会包含大量 Build 信息，例如：

numpy=2.1.3=py311h...

甚至还会包含本机路径：

prefix: C:\Users\xxx\miniconda3\envs\ai-service

这些信息对于别人来说没有意义，还可能导致跨平台恢复失败。

因此推荐使用：

conda env export --no-builds

它会保留版本号，但去掉 Build 信息，更适合部署和团队协作。

---

二、只导出自己安装的 Conda 包

如果想导出一个更加简洁的环境，可以使用：

conda env export --from-history > environment.yml

例如：

dependencies:
  - python=3.11
  - pytorch
  - fastapi

它不会导出 Conda 自动安装的大量依赖。

这种方式更适合：

• 开源项目
• GitHub 项目
• 教程示例

不过需要注意：

由于没有导出所有依赖，不同平台恢复出来的环境可能存在一定差异。

---

三、导出 pip 依赖

很多 AI 项目除了 Conda 包之外，还安装了大量 pip 包。

例如：

• FastAPI
• LangChain
• Transformers
• OpenAI SDK
• Sentence Transformers

可以使用：

pip freeze > requirements.txt

生成：

fastapi==0.116.0
langchain==0.3.0
openai==1.100.0
transformers==4.55.0
sentence-transformers==5.0.0

恢复依赖：

pip install -r requirements.txt

---

查看当前 pip 安装了哪些库

pip list

例如：

Package      Version
------------ -------
fastapi      0.116.0
langchain    0.3.0
openai       1.100.0

---

四、导出 Conda 包列表

还可以直接导出 Conda 包列表：

conda list --export > package-list.txt

生成：

numpy=2.1.3
python=3.11.8
pytorch=2.7.0

恢复：

conda install --file package-list.txt

这种方式使用较少，一般更推荐使用 environment.yml。

---

五、查看当前环境信息

查看所有环境

conda env list

例如：

base
ai-service *
test

带 * 表示当前激活的环境。

---

查看当前环境安装的 Conda 包

conda list

---

查看当前环境安装的 pip 包

pip list

---

六、AI 项目推荐的导出方式

大多数 AI 项目都会同时使用 Conda 和 pip。

例如：

Conda
├── Python
├── PyTorch
├── CUDA
├── NumPy
└── SciPy

pip
├── FastAPI
├── LangChain
├── OpenAI
├── Transformers
├── Sentence Transformers
└── Uvicorn

推荐导出：

conda env export --no-builds > environment.yml

生成的文件会自动包含 pip 安装的依赖，例如：

dependencies:
  - python=3.11
  - pytorch
  - pip
  - pip:
      - fastapi==0.116.0
      - langchain==0.3.0
      - openai==1.100.0

恢复时：

conda env create -f environment.yml

Conda 会先安装 Conda 包，再自动安装 pip 部分的依赖。

---

七、项目中建议保留哪些文件

推荐每个 Python/AI 项目至少保留下面三个文件：

project/
├── environment.yml
├── requirements.txt
└── README.md

其中：

• environment.yml：保存 Conda 环境（Python、PyTorch、CUDA 等）
• requirements.txt：保存 pip 安装的第三方库
• README.md：记录环境创建、项目启动和运行方式

这样无论是团队协作、服务器部署，还是后续维护，都能够快速恢复开发环境。

---

八、常用命令汇总

功能	命令
导出完整 Conda 环境	conda env export --no-builds > environment.yml
导出手动安装的 Conda 包	conda env export --from-history > environment.yml
导出 pip 依赖	pip freeze > requirements.txt
查看 Conda 包	conda list
查看 pip 包	pip list
查看所有环境	conda env list
导出 Conda 包列表	conda list --export > package-list.txt
创建 Conda 环境	conda env create -f environment.yml
更新 Conda 环境	conda env update -f environment.yml
安装 pip 依赖	pip install -r requirements.txt

---

总结

对于大多数 AI 项目，推荐采用以下组合：

1. 使用 conda env export --no-builds 导出完整 Conda 环境。
2. 使用 pip freeze 导出 pip 依赖。
3. 将 environment.yml、requirements.txt 和 README.md 一起提交到项目仓库。

这种方式兼顾了环境的完整性、可移植性和团队协作效率，也是目前 Python 和 AI 项目中最常见的环境管理方案。