【导读】：uv 是 Astral 公司推出的免费开源工具，堪称十年来 Python 生态的重大突破。它以 Rust 编写，速度超快且跨平台，能轻松搞定 Python 版本安装、包管理、虚拟环境搭建及依赖冲突解决等核心需求。uv 安装仅需一行命令，不影响现有 Python 环境，安全易用。
英文作者是一位来自英国天文学家 Emily Hunt，这篇文章是程序员节那天 HN 的热榜头条，引发热议。
uv 是 Python 生态近十年来最棒的工具
现在是 2025 年。安装 Python、管理虚拟环境、与同事同步依赖项，真的还必要搞得那么麻烦吗？
其实 duck 不必！有一个名为 uv 的牛叉新工具，它彻底改变了 Python 的安装和使用体验，让其变得无比轻松。
uv 是一款免费开源工具，由初创公司 Astral 开发。这家小公司过去几年持续推出优秀的 Python 工具（例如出色的 linter Ruff）。
uv 可以：
最重要的是，在我看来，它在上述所有方面都超越了其他任何工具。它速度快得惊人，由 Rust 编写，并且几乎可以在任何操作系统或平台上运行。
安装 uv
uv 的安装过程非常简单。有多种方法，但我认为最简单的是这个一行命令——对于 Linux 和 Mac 是：
curl -LsSf https://astral.sh/uv/install.sh | sh
或者在 Windows 的 PowerShell 中：
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
之后你就可以使用 uv 命令来调用 uv 了。
安装 uv 不会干扰你现有的任何 Python 安装——它是一个独立的工具，所以可以放心安装试用。
为项目管理 Python
为任何 Python 项目使用虚拟环境始终是个好主意。它可以将不同的代码和依赖项隔离开来。根据我的经验，尽早养成使用虚拟环境的习惯可以省去很多麻烦。uv 天然就使用虚拟环境，所以如果你开始使用 uv，就能很轻松地用上虚拟环境。
uv 会根据你工作目录（或其父目录）中的 pyproject.toml 文件为你构建 Python 环境。pyproject.toml 文件是一种标准的现代格式，用于指定 Python 项目的依赖项。一个基础的 pyproject.toml 文件可能类似这样：
[project]
name = "my_project"
version = "1.0.0"
requires-python = ">=3.9,<3.13"
dependencies = [
"astropy>=5.0.0",
"pandas>=1.0.0,<2.0",
]
本质上，它只需要指定使用哪个 Python 版本以及一些依赖项。加上项目名称和版本号也是个好主意。
（旁注：对于要发布为包的项目，例如发布到 pip 和 uv 使用的 Python Package Index，
pyproject.toml 文件是一种现代方式，用于指定发布包所需的所有信息。）
用 uv 创建新项目
要使用 uv 启动一个新的 Python 项目，可以运行：
uv init
这将为你创建一个新项目，包含 pyproject.toml、README.md 和其他重要的样板文件。
这个命令有很多不同的运行方式，比如 uv init --bare（只创建 pyproject.toml），uv init --package（设置一个新的 Python 包）等等。我建议运行 uv init --help 来了解更多信息。
当你已经/如果已经有一个 pyproject.toml 文件时
一旦你初始化了一个项目——或者如果你的项目中已经有一个
pyproject.toml 文件——开始使用 uv 就非常简单了。你只需要在 pyproject.toml 文件所在的目录中运行：
uv sync
这个命令（事实上，大部分 uv 命令，如果你之前没运行过的话）会：
- 将所有依赖项安装到目录中的新虚拟环境
.venv 里 - 在你的目录中创建一个
uv.lock 文件，该文件保存了每个已安装软件包的精确的、与平台无关的版本——这意味着其他同事可以完全复现你的 Python 环境。
原则上，你可以像激活其他工具中常见的虚拟环境一样“激活”这个新虚拟环境，但最“uv 风格”的使用方式简单地在任何命令前加上 uv run。这个命令会自动为你选取正确的虚拟环境并在其中运行你的命令。例如，要运行一个脚本——与其用：
source .venv/bin/activate
python myscript.py
不如直接：
uv run myscript.py
效果是一样的。同样地，要使用像 Jupyter Lab 这样的“工具”，你只需在项目目录中运行：
uv run jupyter lab
而不必先“激活”环境再单独运行 jupyter lab。
添加依赖项
你总是可以手动编辑 pyproject.toml 文件：uv 会检测到更改并重建项目的虚拟环境。但 uv 也提供了更简便的方法来添加依赖项——你可以直接运行：
uv add numpy>=2.0
来添加一个包，包括指定版本约束（如上述命令）。这个命令会自动为你编辑 pyproject.toml。
uv add 在添加来自 git 或计算机上其他位置的远程依赖项方面也非常强大（但此处不赘述）。
固定 Python 版本
最后，我认为 uv 最有用的功能之一是为你的项目固定特定的 Python 版本。运行：
uv python pin 3.12.9
将为当前项目精确固定使用 Python 3.12.9，对于其他使用 uv 的协作者也是如此——这意味着你真的可以在多台机器上复现完全相同的 Python 安装。
uvx：忽略以上所有，立即运行一个工具！
但有时候，你可能只是想快速运行一个工具——比如用 Ruff 来检查某处代码，或者在没有环境的情况下启动 Jupyter notebook 服务器，甚至只是快速启动一个安装了 pandas 的 IPython 会话来打开一个文件。uv tool 命令（有一个简短的别名 uvx）让这变得异常简单。运行像这样的命令：
uvx ruff
会自动下载你想要使用的工具并在一个一次性的虚拟环境中运行它。因为 uv 使用了缓存，一旦这个工具之前被下载过，后续操作就会非常快。
有很多场合我可能会想这么做——一个常见的情况是快速启动一个安装了 pandas 的 IPython 会话（使用
--with 来添加依赖项），以便我能快速打开并查看一个 parquet 文件。例如：
uvx --with pandas,pyarrow ipython
或者，也许只是启动一个 Jupyter Lab 服务器，以便我能快速打开学生发给我的 Jupyter notebook：
uvx jupyter lab
老实说，还有很多其他奇怪的、一次性的使用场景，有 uvx 在身边真的很好。我再也不觉得总是使用虚拟环境会错过什么了，因为 uvx 在你需要时总能给你一张“免死金牌”。
如果这还没说服你：个人使用体会
我最初是在去年发现 uv 的，当时正与其他可爱的开发者一起构建 The Astrosky Ecosystem：一个为在线天文学家构建开源社交媒体集成的精彩项目。但在多个开发者使用多种操作系统进行异步协作时，管理 Python 安装很快变成了一项繁重的任务。
uv 对我们来说是一个极其强大的简化工具，我们在整个技术栈中都使用它。作为开发者，我们都可以在完全相同的 Python 安装环境下工作，这一点尤其重要，因为我们使用的一些半实验性依赖项每个版本都有破坏性变更。在 GitHub Actions 上，我们计划使用 uv 来快速构建 Python 环境并运行单元测试。在生产环境中，uv 已经为我们所有的服务器管理 Python。
能始终知道 Python 和软件包安装会在我们所有的机器上始终如一地、正确地处理，这种感觉
真是太棒了。这就是为什么 uv 是 Python 生态近十年来发生的最好的事情。
了解更多
uv 官方文档：https://docs.astral.sh/uv/
网友留言
这个帖子在 HackerNews 引发热议，1300+ 留言。
ederamen 留言
uv 太棒了。我对采用新工具通常很保守，带着很多怀疑尝试了 uv，但它在各方面都更优秀。即使它没有那么完善和可靠，其原始速度也让你很难再回到其他工具。
hardwaregeek 留言
我必须承认，听到 Python 开发者们终于尝到了 npm/cargo/bundler 这类工具的甜头后欣喜若狂，我感觉这些年的坚持被证明了——过去总有人说 Python 的 virtualenv 加 pip 就挺好，JavaScript 那边的工具肯定更差。没错，npm 是有毛病，但锁文件和稳定的安装体验实在太棒了。
seabrookmx 留言
完全同意。我们之前一直用 pyenv+poetry 组合，经常得把 poetry 版本锁定在特定版本——因为新版 poetry 在解析依赖时动不动就卡住。 pyenv 也很麻烦，你得搭配各种系统包才能确保编译出的 Python 具备所需功能，我们团队又有 MacOS 和 Linux 开发者，这个问题经常让人头疼。
uv 不仅速度远超这两个工具，命令行体验也更人性化，完美解决了我刚说的两个问题。
希望 Astral 推出的类型检查器能足够优秀，我们现在用 mypy 简直是折磨——速度慢还一堆 bug。
sanskarix 留言
最让我对 uv 感到兴奋的不仅仅是速度提升，而是它展示了现代开发者工具的一个关键原则：减少摩擦绝不意味着剥夺选择权。
我一直在关注关于以项目为中心和以环境为中心的工作流程的讨论，我认为 UV 实际上对这两种模式都支持得很好。对于 @BrenBarn 提到的“不断摸索直到有所成果”的工作流程，你完全可以用 uv venv playground 创建一个通用环境，然后使用 uv pip install 逐步构建你的实验性依赖项。项目结构可以稍后再说。
有趣的是，uv 的速度使得在这些方法之间切换的成本几乎为零。想快速隔离测试某些东西？启动一个临时环境。想把一个实验正式化为一个项目？迁移过程是无痛的。
这反映了我工具链其他部分看到的情况——像前端开发的 Vite 或现代 Docker 实践这样的工具都遵循这种“默认快速，需要时灵活”的模式。当你的整个工具链都遵循这一原则时，效率的提升是复合增长的。
Aerhardt 留言
我很惊讶地发现，我如此喜欢在所有命令前加 "uv" 而不是激活环境——当然，如果你喜欢，激活环境仍然是一个可选项。
我也喜欢它能非常轻松地管理 Python 版本。一切感觉都非常“开箱即用”，但又局限于项目本地。
我使用它的时间还不够长，无法判断它是否能避免那不可避免的、每年两次的“调试 Python 环境日”，但它已经展现出足够的潜力，让我在所有新项目中都将其作为标准。
（参考：news.ycombinator.com/item?id=45751400，中文经由 AI 大模型优化）
- EOF -
