Python 虚拟环境：venv、conda 与 Python 版本选择全解

Python 虚拟环境：venv、conda 与 Python 版本选择全解

系列第 3 篇。上一篇我们把 PyTorch 装上并确认了 GPU 可用（或正准备装），接下来马上会撞上新的墙："为什么同一个命令在同事电脑上能跑，我这边就报 ModuleNotFoundError？""怎么装了一个新包，老项目反而跑不起来了？" 根源几乎都是同一件事------没有环境隔离。本篇把 Python 版本选择、venv、conda 一次讲清，外加国内 pip 加速与环境污染定位法。Python 环境、conda 环境、venv 这三组词是本地部署 AI 绕不开的地基，值得读两遍。

一、为什么需要它：不隔离的代价

Python 的包体系默认把所有包装进同一个"公共仓库"（site-packages）。两个项目一旦版本要求不同，就会打架。我见过很多次这样的场景：

项目 A（Ollama 前端对接）要求 transformers 4.38；项目 B（一段老 Stable Diffusion 脚本）写死了 transformers 4.25。都装在全局的话：装 4.38，B 崩；降回 4.25，A 起不来。你就在"降版本修 A、升版本修 B"的循环里反复横跳------这就是依赖地狱。越修越乱，最后的结局往往是把 Python 卸载重装，前功尽弃。

为什么 AI 方向比普通 Web 项目更容易掉进依赖地狱？两点：一是依赖重，PyTorch 的 wheel 自带 CUDA 运行时，装完一个环境就有几个 GB；二是依赖脆，PyTorch 与 cuXXX 版 wheel、各模型库对 transformers 等公共包的要求互相咬合成一张约束网，动一处牵全身。普通脚本装错重装一下就行，AI 项目装错要重新下几个 GB 的包，环境管理的成本被放大了一个量级。

虚拟环境的思路只有一条：每个项目一个独立"仓库" ，各有自己的 site-packages，环境内 pip install 只影响本环境。同一台机器上，4.38 和 4.25 可以并存，互不干扰。

为什么 AI 本地部署尤其要隔离？因为这个方向的版本耦合更严：PyTorch 与 cuXXX 版 wheel 咬合、各模型库对 transformers、tokenizers、xformers 等公共包的要求又各不相同。隔离做不好，后面每一篇（Ollama、ComfyUI、vLLM）的报错都会变难排查 10 倍。

二、环境要求

项目	要求	说明
操作系统	Windows 10/11（64 位）或 Ubuntu 20.04+	32 位 Python 直接排除，主流 AI 包基本不提供 32 位 wheel
Python 版本	3.10 / 3.11 / 3.12	3.11 保守、3.12 可用、3.13 有兼容风险
磁盘	空环境只有几十 MB	装上 PyTorch 和模型库后，单环境通常到 GB 级
网络	国内网络配清华/阿里 pip 镜像	见"五、进阶技巧"
前置	已完成《AI-01 CUDA与N卡驱动安装》	装 PyTorch 前先确认 nvidia-smi 能出表

Python 版本怎么选：3.11 为什么是保守选择

• 3.11：AI 生态里 wheel 覆盖最全的版本，老科研包兼容最好。本系列默认推荐 3.11。
• 3.12：主流框架（PyTorch、vLLM 等）都已支持，日常可用；但部分老包的兼容性仍在陆续完善，装到"装不上"时优先降到 3.11 试试。
• 3.13：较新，生态还在追赶，C 扩展类包和老科学计算库可能直接编译失败，生产用途别当小白鼠。

如果项目明确写了要 3.10 或其他版本：要么在 Windows 上单独安装那个版本（python.org 官方安装器），要么直接用 conda 建对应版本的环境------后者不用在系统里堆多个 Python，是我更常用的做法。

一句话原则：项目文档写了版本就照文档；没写就选 3.11。 像 vLLM 这类对版本有明确区间的框架，装之前先翻一眼官方文档（详见《AI-13 vLLM高吞吐推理引擎》）。

三、安装与部署

3.1 venv 全流程（首选）

venv 是 Python 3.3+ 的标准库模块，不用额外安装。全流程 5 步：

第 1 步：创建环境。在项目目录下执行：

python -m venv .venv

会生成一个 .venv 目录，里面有独立的解释器副本和独立的 site-packages。Linux 上如果创建失败并提示 ensurepip 相关错误，先装系统自带的 venv 支持包再试（写法见 Python 官方 venv 文档）。

第 2 步：激活环境。

• Windows（PowerShell / CMD）：

.venv\Scripts\activate

• Linux / WSL：

source .venv/bin/activate

激活成功的标志：命令行提示符前多出一个 (.venv) 前缀。我一般只看这个前缀判断"人在不在环境里"。小提醒：个别 PowerShell 配置下执行 activate 会报脚本运行错误，那是 PowerShell 的执行策略拦截，与 Python 本身无关，处理办法见 Python 官方 venv 文档，或改用 CMD（激活不受此限制）。

第 3 步：安装依赖。激活后装包，例如 PyTorch（以官网选择器生成的命令为准，cu124 为例）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

第 4 步：停用环境。用完执行：

deactivate

前缀消失即回到全局。注意：关掉终端窗口也会自动停用，这不是异常。

第 5 步：删除环境 。直接把 .venv 目录整个删掉即可，没有"卸载"一说。C 盘紧张时，删除不再用的旧环境是最快的腾空间手段------一个装过 PyTorch 的环境轻松几个 GB。

3.2 conda 流程

conda 需要额外安装（轻量版 Miniconda，从 Anaconda 官方渠道下载安装程序即可）。装好后：

conda create -n ai python=3.11 -y
conda activate ai

激活后提示符前缀变成 (ai)。conda 与 venv 最本质的区别：conda 连 Python 解释器本身也能管理------同一台机器上可以建一个 3.11 环境、一个 3.10 环境，随时切换；而 venv 只能基于系统里已有的 Python 版本"克隆"，不能给环境单独换 Python 版本。两者存放位置也不同：venv 环境就在项目目录里的 .venv 目录，跟着项目走，删掉目录等于环境消失；conda 环境统一存放在安装目录里，适合在一台机器上集中管理多个环境。我的习惯：项目级隔离用 venv，机器级多 Python 版本管理用 conda。

四、验证

环境是否"干净"，三条命令确认：

python -V
where python
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

预期结果：

1. python -V 输出 3.11.x（或你选的版本）；
2. where python（Windows；Linux 用 which python）的第一行 指向 .venv\Scripts\python.exe------如果指向全局目录（如 C:\Python311），说明环境没激活或激活错了；
3. 第三条输出 2.x.x+cu124 True。如果是 False，九成是装成了 CPU 版 PyTorch，处理办法详见《AI-02 PyTorch安装与验证》。

这三条命令对应三层：版本 → 解释器路径 → 框架与 GPU 的联动，正好覆盖排错分层定位法里的环境层与框架层。"逐层确认"的习惯是排错效率的根本------先确认问题在哪一层，再想怎么修，而不是盲目重装。

五、进阶技巧

1. 国内 pip 镜像加速 。任何 pip install 后面加 -i 参数：

   pip install <pkg> -i https://pypi.tuna.tsinghua.edu.cn/simple

   阿里源同理：https://mirrors.aliyun.com/pypi/simple。长期项目建议把镜像写进 pip 配置文件，一次配置全局生效（配置写法以 pip 官方文档为准）。注意：PyTorch 的 cuXXX 版走 --index-url 指向 PyTorch 官方源，两者不要混用。

2. venv 还是 conda：默认 venv，两种情况上 conda 。venv 轻量、标准库自带、建删都快，纯 pip 能装齐的项目（Ollama 周边、vLLM、diffusers 类）都用 venv。遇到这两种情况换 conda：① 同一台机器要多个 Python 版本 （一个项目 3.10、另一个 3.12）；② 老科研包需要特定 C 库或编译依赖，conda 可以连非 Python 依赖一起装，省心很多。

3. 三个环境污染禁忌 。① 在全局 Python 里直接 pip install（永远先激活环境再装包）；② 多个 Python 混用------机器上同时装了 3.11 和 3.13 时，装包前看一眼 where python，别装错解释器；③ 用 32 位 Python 跑 AI------很多包根本没有 32 位 wheel，import 时直接 DLL 加载失败，而且 32 位进程的内存寻址上限会直接卡死大模型场景。

4. 清理不用的环境腾磁盘 。venv 环境把 .venv 目录删掉即可；conda 环境有对应的删除命令（语法见 conda 官方文档），删掉后对应的环境目录一并释放。每个实验都装一遍 PyTorch 的话，磁盘一定会被塞满------C 盘紧张时，删掉一个旧环境能腾出几个 GB。

六、故障排查

环境类问题用分层定位法：先判断报错落在网络层 / 驱动层 / 框架层 / 环境层 / 依赖层哪一层，再对症。按层排序如下：

#	症状（报错原文）	层	原因	解决
1	HuggingFace 下载卡住 / ConnectionError / 超时	网络层	国内访问 huggingface.co 受限	环境变量 HF_ENDPOINT=https://hf-mirror.com 或改用 ModelScope
2	CUDA driver version is insufficient for CUDA runtime version	驱动层	驱动低于框架所需 CUDA 版本	升级 NVIDIA 驱动（不是只升 Toolkit），见《AI-01 CUDA与N卡驱动安装》
3	torch.cuda.is_available() 返回 False	框架层	PyTorch 装了 CPU 版；或驱动过老	重装对应 cuXXX 版 wheel；驱动过老先升级
4	ModuleNotFoundError: No module named 'torch'	环境层	激活了错误环境 / 全局 vs venv	which python / where python 确认解释器路径，重新激活再装
5	Error 126: Unknown error / 加载 .so/.dll 失败（libcudart.so.12 not found 类）	环境层	多版本 CUDA 混装、PATH 污染	清理环境变量；用 conda 隔离；ldd / dumpbin 看缺哪个库
6	ImportError: DLL load failed while importing ...（Windows）	依赖层	VC 运行库缺失 / 位数不匹配（32/64）	装 VC++ 2015-2022 Redistributable x64；确保 64 位 Python

三条实战经验：

• 第 4 条是环境层出现频率最高的报错。我的固定动作是先跑 where python 再看别的------十有八九是"环境没激活"或"激活了另一个环境"，重装包之前先确认解释器路径，能省一半时间。

• 第 5、6 条经常同根（32 位 Python 或多版本污染），排查顺序：确认解释器位数和路径 → 清环境变量 → 用 conda 建干净环境重装，别在旧环境里继续"打补丁"。

• 第一次遇到 ModuleNotFoundError 时，按顺序想三件事：环境激活没有（看前缀）、包是不是装在了当前这个环境里（激活之后装的才算）、包名拼错没有------或者 Python 版本太新导致该包没有预编译 wheel，最后这种情况降到 3.11 通常就好了。

七、本篇自检清单

• 能说出"为什么必须虚拟环境"（版本冲突 → 依赖地狱）
• 能按项目选 Python 版本（默认 3.11，3.12 可用，3.13 谨慎）
• 完整跑过 venv 五步：创建 → 激活 → 装包 → 停用 → 删除
• 用 conda 建过独立环境并激活（多版本 Python / 老科研包场景）
• 用清华镜像成功装过一个包
• 见到 ModuleNotFoundError 能先用 where python / which python 定位
• 机器上没有 32 位 Python 在跑 AI，也从不往全局环境乱装包

一句话收尾：版本听项目文档的，没写就 3.11；隔离默认 venv，要多版本 Python 或碰老科研包才上 conda；装包之前永远先看 where python。 做到这三条，环境层的坑能避开九成。

下一篇：《AI-04 WSL2部署AI开发环境》------在 Windows 上装一个"真 Linux"，还能直通 GPU。

参考

• Python 官方文档：venv --- Virtual environments（https://docs.python.org/3/library/venv.html）
• pip 官方文档：Configuration（镜像与 index-url 配置，https://pip.pypa.io/en/stable/topics/configuration/）
• conda 官方文档：Managing environments（https://docs.anaconda.com/conda/user-guide/tasks/manage-environments/）
• 清华大学 TUNA pip 镜像：https://pypi.tuna.tsinghua.edu.cn/simple