刚开始学Python的时候，很多人都碰到过这个问题：A项目需要 Django 2.x，B项目需要 Django 4.x，装完一个另一个就用不了，版本冲突搞得头大。
这就是为什么你需要虚拟环境。今天整理一下我日常用的Python虚拟环境方案，帮你告别版本混乱。
内置方案：venv
Python 3.3 之后，标准库已经自带了 venv，不用装任何第三方工具，够用了：
# 创建虚拟环境 python3 -m venv myenv # 激活虚拟环境（Linux/macOS） source myenv/bin/activate # 激活虚拟环境（Windows CMD） myenv\Scripts\activate.bat # 退出虚拟环境 deactivate
优点：不用装，原生支持，简单干净
缺点：不能全局管理多个Python版本，对新手来说激活略麻烦
流行选择：conda
如果你做数据科学、机器学习，conda 真的很香，不仅能管理环境，还能管理Python版本：
# 创建环境 conda create -n myenv python=3.10 # 激活环境 conda activate myenv # 列出所有环境 conda info --envs # 删除环境 conda remove -n myenv --all
优点：
- 可以管理不同Python版本
- 不仅能装Python包，还能装C库，机器学习环境不用自己折腾
- 跨平台一致性好
缺点：
- 体积大，默认会装很多你用不上的包
- 仓库源有时候慢，需要换国内源
现代工具：uv
最近新出的 uv 真的惊艳到我了，Rust写的，速度比pip快几十倍，还能管理虚拟环境，强烈推荐试试：
# 安装uv curl -LsSf https://astral.sh/uv/install.sh | sh # 创建项目并初始化虚拟环境 uv init myproject cd myproject # 安装依赖 uv add requests # 激活环境 source .venv/bin/activate
uv 真的快，依赖解析比pip快太多，体验提升很明显。我现在新项目都开始用uv了。
我的日常工作流
不同场景用不同工具：
- 简单小脚本 / 单个项目 → 直接用Python自带venv，干净简单，不用装别的
- 数据科学 / 机器学习项目 → conda，省心，不用折腾CUDA
- 新开源项目 / 库开发 → uv，快，体验好
- 老项目维护 → virtualenv + requirements.txt，稳定就行
几个好习惯
- 不要用全局环境装各种包，越装越乱，最后不知道哪个包是干什么的
- 每个项目一个独立环境，项目删了环境直接删，干净
- 一定要锁依赖版本，requirements.txt 或者 pyproject.toml，部署的时候不会出问题
- 不要把虚拟环境目录提交到Git，加上 .gitignore
总结
虚拟环境不是什么高深技术，但用对了能帮你省好多时间，不用天天解决版本冲突。
新手推荐从内置venv开始用，先搞明白概念，再根据自己的需求换工具。不用追求”最流行”，适合你工作流的就是最好的。
你平时用什么工具管理Python环境？欢迎留言交流。
这篇是日常开发经验总结，适合新手入门参考。