AI智能体项目实战记录（01）：开发环境搭建之conda的安装与配置

1. 引言

很多刚接触 Python 的朋友都会遇到这样的困惑：明明在自己电脑上跑得好好的代码，换了一台机器就报错；或者项目 A 需要 Python 3.8，项目 B 需要 Python 3.11，装来装去把系统环境搞得一团糟。这时候，conda 就是解决这些问题的利器。

2. 什么是 conda

conda 是一个开源的包管理系统和环境管理系统，最初由 Anaconda 公司开发，用于简化 Python 及相关科学计算库的安装与管理。它不仅能管理 Python 包，还能管理 Python 版本本身，甚至能管理非 Python 的依赖库（如 C/C++ 库、CUDA 等）。≤199 人企业、个人爱好者、高校、非营利组织：可以免费使用 Anaconda Individual Edition，访问官方 default 源，不需要买商业许可Anaconda。

3. 为什么要用 conda

3.1 环境隔离，互不干扰

conda 最核心的价值在于环境隔离。你可以为每个项目创建独立的虚拟环境，不同环境之间互不影响：

bash 复制代码

# 创建 Python 3.11 的环境
conda create -n project_a python=3.11

# 创建 Python 3.8 的环境
conda create -n project_b python=3.8

这样，项目 A 升级依赖不会破坏项目 B 的运行环境，彻底告别「装一个包把另一个项目搞挂」的噩梦。

3.2 解决依赖冲突

Python 生态中依赖冲突非常常见：库 X 需要 numpy<2.0，库 Y 需要 numpy>=2.0。conda 通过独立的 solver 自动解析依赖关系，帮你找到兼容的版本组合，避免手动排查依赖地狱。

3.3 跨平台一致性

conda 在 Windows、macOS、Linux 上行为一致。通过 environment.yml 文件，你可以把整个环境配置分享给团队或部署到服务器：

yaml 复制代码

name: my_project
channels:
  - conda-forge
dependencies:
  - python=3.11
  - numpy
  - pandas
  - pip

其他人只需一条命令即可复现完全相同的环境：

bash 复制代码

conda env create -f environment.yml

3.4 科学计算生态友好

conda 对科学计算库（NumPy、SciPy、Pandas、PyTorch、TensorFlow 等）支持极佳，能直接安装预编译的二进制包，避免从源码编译带来的漫长等待和兼容性问题。

3.5 管理非 Python 依赖

很多项目不仅依赖 Python 包，还依赖系统级的 C/C++ 库。conda 可以一并管理这些非 Python 依赖，确保它们在各个平台上都能正确安装。

4. conda 与 pip、virtualenv 的对比

特性	conda	pip + virtualenv
管理 Python 版本	✅ 支持	❌ 不支持（需另装 pyenv）
管理非 Python 依赖	✅ 支持	❌ 不支持
依赖解析	内置 solver，自动解决冲突	依赖 pip 的解析，冲突时需手动处理
环境隔离	✅ 原生支持	✅ 通过 virtualenv 支持
预编译二进制包	✅ 丰富	部分依赖需源码编译
适用场景	科学计算、数据科学、机器学习	通用 Web 开发、轻量项目

5. conda 的安装与配置

5.1 安装 conda

conda 分为 Anaconda 和 Miniconda 两种发行版：

Anaconda：包含大量常用科学计算库的集合版本，开箱即用，但体积较大。
Miniconda ：精简版本，只包含 conda、pip、zlib、python 以及它们所需的包，其余依赖通过 conda install 命令自行安装。

下载地址：

Miniconda 官网：conda.io/miniconda.h...
Anaconda 官网：www.anaconda.com/download

点击安装即可，不需要另外安装 Python 运行环境。安装过程中出现 Advanced options 选项时：

第一个选项：将 Anaconda 的路径加入环境变量；
第二个选项：默认将 conda 安装的 Python 定为系统使用的默认版本。

5.2 配置环境变量与初始化

安装完成后，以管理员身份重新打开 cmd，执行初始化命令：

bash 复制代码

conda init

初始化完成后，以管理员身份重新启动 cmd，使配置生效。

5.3 添加国内镜像源

国内访问官方源较慢，可添加国内大学镜像源加速下载：

bash 复制代码

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/r/

目前国内提供 conda 镜像的大学：

清华大学：mirrors.tuna.tsinghua.edu.cn/help/anacon...
北京外国语大学：mirrors.bfsu.edu.cn/help/anacon...
南京邮电大学：mirrors.njupt.edu.cn/
南京大学：mirrors.nju.edu.cn/
重庆邮电大学：mirror.cqupt.edu.cn/
上海交通大学：mirror.sjtu.edu.cn/
哈尔滨工业大学：mirrors.hit.edu.cn/#/home（目测哈工...

查看已添加的 channels：

bash 复制代码

conda config --show channels

恢复默认镜像源：

bash 复制代码

conda config --remove-key channels

6. 环境管理

6.1 创建环境

创建 Python 版本为 X.X、名字为 env_name 的虚拟环境：

bash 复制代码

conda create -n env_myfirst01 python=3.12

因为我已经执行过，所以提示是否移除当前存在的环境。创建完毕后env_name 文件可以在 Anaconda 安装目录的 envs 文件夹下找到。

6.2 查看环境

bash 复制代码

conda env list
# 或者
conda info --envs

6.3 删除环境

bash 复制代码

conda remove -n env_name --all
conda env remove -n env_name

6.4 重命名环境

conda 没有直接的重命名命令，可通过克隆实现（将 --clone 后面的环境重命名成 -n 后面的名字）：

bash 复制代码

conda create -n torch --clone py3   # 将 py3 重命名为 torch

6.5 进入与退出环境

创建完成环境之后，系统会提示如何进入和退出环境：

bash 复制代码

conda init          # 初始化，以管理员重启 cmd
conda activate env_myfirst01   # 进入环境
conda deactivate    # 退出环境

7. 在 conda 环境内使用 pip 安装

用命令查找版本信息：

bash 复制代码

conda search numpy

在 Anaconda 下用 pip 装包的原因 ：尽管在 Anaconda 下我们可以很方便地使用 conda install 安装依赖，但 Anaconda 本身只提供部分包，远没有 pip 提供的包多。有时 conda 无法安装我们需要的包，就需要用 pip 将其装到 conda 环境里。

首先进入指定的环境中，然后再通过 pip 安装即可：

bash 复制代码

conda activate env_name
pip install package_name

8. 卸载 conda

如需彻底卸载 conda，可删除 Anaconda/Miniconda 安装目录，并清理环境变量中的相关配置。

9. 环境迁移

将要迁移的环境打包：

bash 复制代码

conda pack -n 虚拟环境名称 -o environment.tar.gz

如果报错 No command 'conda pack'，尝试使用：

bash 复制代码

conda install -c conda-forge conda-pack

复制压缩文件到新的电脑，进入 conda 的安装目录：

bash 复制代码

/anaconda(或者miniconda)/envs/

对于 Ubuntu，可以通过 whereis conda 查看 conda 的安装路径，然后 cd 到 conda 的安装路径：

bash 复制代码

mkdir environment
# 解压 conda 环境
tar -xzvf environment.tar.gz -C environment

使用 conda env list 查看虚拟环境，进入迁移的环境内，通过 pip list 查看迁移前后包的安装情况。

10. 使用 Mamba 加速安装

Mamba 是 Conda 的一个高性能替代品，能够更快地解决依赖关系。可以通过以下命令安装 Mamba：

bash 复制代码

conda install mamba -n base -c conda-forge

然后使用 Mamba 安装包：

bash 复制代码

mamba install package_name

11. IDEA 集成 conda

在 IntelliJ IDEA 中，可以在项目解释器设置里选择 conda 环境作为 Python 解释器，从而在 IDE 中直接使用 conda 管理的虚拟环境进行开发调试。