Miniconda全平台实战

Minhat原创2026/7/20大约 9 分钟

Miniconda 是轻量级的 Conda 发行版，只包含包管理器和 Python，用多少装多少。本文覆盖安装、环境管理、镜像加速到 AI 开发环境搭建，帮你告别 Python 版本和依赖冲突的烦恼。

Miniconda 是什么？

Miniconda 是 Anaconda 的精简版，只包含：

conda：包管理器和环境管理器
Python：基础解释器
少量依赖包

和 Anaconda 的区别：

对比项	Miniconda	Anaconda
安装包体积	~100MB	~1GB
预装包	无（只有基础包）	1500+ 数据科学包
适用场景	按需安装、轻量级、CI/CD	教学、数据科学开箱即用
推荐度	日常开发推荐	新手入门可选

与 SDKMAN / NVM 的关系

SDKMAN 管 Java 生态，NVM 管 Node.js，Miniconda 管 Python 生态。三者互补，覆盖了后端（Java）、前端（Node）、数据/AI（Python）的版本管理需求。

安装 Miniconda

Windows

# 方式一：winget 一键安装（推荐，Windows 11 / Windows 10 1809+）
winget install Anaconda.Miniconda3

# 方式二：手动下载安装
# 1. 访问 https://docs.anaconda.com/miniconda/
# 2. 下载 Miniconda3 Windows 64-bit 安装包
# 3. 运行 exe，安装选项建议勾选：
#    - Add Miniconda3 to my PATH environment variable
#    - Register Miniconda3 as my default Python 3.x
# 安装后重新打开终端

验证安装：

conda --version
# 输出类似: conda 24.5.0

Linux / WSL

# 下载安装脚本
curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 运行安装脚本
bash Miniconda3-latest-Linux-x86_64.sh

# 安装过程中：
# - 按 Enter 浏览协议
# - 输入 yes 同意
# - 确认安装路径（默认 ~/miniconda3，直接回车）
# - 是否运行 conda init？（输入 yes，让 conda 自动配置 shell）

# 最后重载 shell 配置
source ~/.bashrc   # 或 source ~/.zshrc

验证安装：

conda --version
# conda 24.5.0

which conda
# ~/miniconda3/bin/conda

macOS

# 下载安装脚本
curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh   # Apple Silicon
curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.sh  # Intel

# 运行安装
bash Miniconda3-latest-MacOSX-arm64.sh
# 安装步骤与 Linux 相同

禁用 base 环境自动激活

安装后终端默认会激活 (base) 环境，如果觉得碍眼：

# 禁用自动激活 base 环境
conda config --set auto_activate_base false

# 重新开启
conda config --set auto_activate_base true

# 手动激活/退出 base
conda activate
conda deactivate

镜像加速

默认从 Anaconda 官方源下载，国内速度慢：

# 配置清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

# 设置搜索时显示通道地址
conda config --set show_channel_urls yes

# 查看已配置的镜像源
conda config --show channels

# 恢复默认源
conda config --remove-key channels

配置文件的完整位置：

# Linux / WSL / macOS
~/.condarc

# Windows
C:\Users\你的用户名\.condarc

.condarc 示例：

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
show_channel_urls: true
auto_activate_base: false

pip 镜像也一并配好：

# pip 使用清华镜像
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

核心命令

环境管理

环境是 Conda 最核心的概念——每个环境是一个独立的 Python 沙箱，互不污染。

创建环境

# 创建指定 Python 版本的环境（默认只装最基础的包）
conda create -n myenv python=3.10

# 创建的同时安装常用包
conda create -n myenv python=3.10 numpy pandas matplotlib

# 指定 Python 精确版本
conda create -n py39 python=3.9.18

# 从 environment.yml 文件创建环境
conda env create -f environment.yml

# 克隆已有环境
conda create -n myenv-clone --clone myenv

# 指定环境路径（非默认目录）
conda create -p ./local-env python=3.11

激活与退出

# 激活环境
conda activate myenv
conda activate ./local-env    # 激活指定路径的环境

# 退出当前环境
conda deactivate

# 查看所有环境
conda env list
conda info --envs

# 查看当前环境的包
conda list

删除与重命名

# 删除环境
conda remove -n myenv --all

# 删除指定路径的环境
conda remove -p ./local-env --all

# 重命名环境（conda 无内置重命名，通过克隆+删除实现）
conda create -n new-name --clone old-name
conda remove -n old-name --all

包管理

# 安装包
conda install numpy
conda install numpy=1.24.3              # 指定版本
conda install numpy pandas matplotlib   # 一次性装多个

# 从 conda-forge 安装（往往比默认源版本更新）
conda install -c conda-forge scikit-learn

# 卸载包
conda remove numpy
conda remove numpy pandas               # 一次性卸载多个

# 更新包
conda update numpy
conda update --all                       # 更新当前环境所有包

# 搜索包
conda search numpy
conda search "numpy>=1.24"

# 列出已安装的包
conda list
conda list "^n"                          # 正则过滤（以 n 开头）
conda list --export > requirements.txt   # 导出为 requirements 格式

管理 Python 版本本身

# 更新当前环境的 Python 小版本
conda update python

# 安装特定 Python 版本到当前环境（会同时更新依赖）
conda install python=3.11

# 查看可用的 Python 版本
conda search python

# 升级 conda 本身
conda update conda

导出与复现环境

# 导出为 environment.yml（跨平台可复现）
conda env export > environment.yml

# 导出为精简版（仅显式安装的包，不含依赖）
conda env export --from-history > environment.yml

# 导出为 pip requirements.txt
conda list --export > requirements.txt
# 或者只导出 pip 安装的包
pip freeze > requirements.txt

# 在另一台机器上复现环境
conda env create -f environment.yml

项目实战流程

场景一：多项目不同 Python 版本

# 项目 A 要求 Python 3.8 + 老版 numpy
conda create -n project-a python=3.8 numpy=1.21
conda activate project-a

# 项目 B 要求 Python 3.12 + 最新依赖
conda create -n project-b python=3.12
conda activate project-b

# 项目 C 指定路径环境（放在项目目录下，不污染全局）
cd ~/projects/project-c
conda create -p ./.venv python=3.10
conda activate ./.venv

# 随时切换
conda activate project-a
conda activate project-b

场景二：.gitignore 与团队协作

# ===== 项目 .gitignore =====
# Conda 环境目录（指定路径方式）
.venv/

# 保留环境配置文件即可
# conda env export > environment.yml
# git add environment.yml

# ===== 团队成员复现环境 =====
git clone <repo-url>
cd project
conda env create -f environment.yml
conda activate <env-name>

场景三：conda + pip 混用

Conda 环境中也可以使用 pip，但需注意顺序：

conda create -n myenv python=3.11

# 1. 先用 conda 安装尽可能多的包
conda install numpy pandas scipy matplotlib

# 2. conda 找不到的包再用 pip
pip install some-niche-library

# 3. 最终导出环境（conda 和 pip 的包都记录）
conda env export > environment.yml

# 导出后文件同时包含 conda 和 pip 的依赖：
# dependencies:
#   - numpy=1.26.4
#   - pandas=2.2.2
#   - pip:
#     - some-niche-library==0.1.0

混用注意事项

务必先 conda 后 pip。如果先用 pip 安装了大量包再回头用 conda，conda 可能会覆盖 pip 安装的依赖导致冲突。conda list 可以查看每个包的来源渠道（conda 还是 pypi）。

AI 开发环境搭建

PyTorch

# 创建专用环境
conda create -n torch python=3.11
conda activate torch

# CPU 版本
conda install pytorch torchvision torchaudio cpuonly -c pytorch

# CUDA 11.8 版本
conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia

# CUDA 12.1 版本
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

# 验证安装
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

TensorFlow

conda create -n tf python=3.11
conda activate tf

# CPU 版本
pip install tensorflow

# GPU 版本
conda install -c conda-forge cudatoolkit=11.8 cudnn
pip install tensorflow

# 验证
python -c "import tensorflow as tf; print(tf.__version__); print(tf.config.list_physical_devices('GPU'))"

常用 AI 工具链一键安装

conda create -n ai python=3.11
conda activate ai

# 科学计算基础
conda install numpy pandas scipy matplotlib seaborn

# 机器学习
conda install -c conda-forge scikit-learn xgboost lightgbm

# 深度学习
conda install pytorch torchvision torchaudio -c pytorch

# 数据处理
conda install -c conda-forge opencv pillow

# Jupyter 交互式开发
conda install -c conda-forge jupyterlab jupyter notebook

# LLM / AI 工具
pip install transformers datasets accelerate
pip install openai langchain chromadb

# 启动 Jupyter Lab
jupyter lab

常用技巧

conda init 与 shell 集成

# 首次安装后让 conda 注册到 shell
conda init bash     # bash
conda init zsh      # zsh
conda init fish     # fish
conda init powershell  # Windows PowerShell

# 撤销 shell 集成
conda init --reverse bash

清理磁盘空间

# Conda 包缓存非常占空间，定期清理：
conda clean --all            # 清理所有缓存（包缓存、索引缓存等）

# 分项清理
conda clean --packages       # 清理下载的包缓存（回收空间最多）
conda clean --tarballs       # 清理解压的 tar 包
conda clean --index-cache    # 清理索引缓存

# 预览而不删除
conda clean --all --dry-run

环境存放位置

# 默认环境目录（全局）
~/.conda/envs/                # Linux/macOS
C:\Users\用户名\miniconda3\envs\  # Windows

# 指定路径创建（项目级环境，推荐！）
conda create -p ./.venv python=3.11
# 优点：与项目绑定，删项目 = 删环境
# 缺点：.venv 要加入 .gitignore

锁定 Python 版本

# 在 environment.yml 中固定 Python 版本
# environment.yml
name: myapp
channels:
  - defaults
dependencies:
  - python=3.11.4    # 精确锁定
  - numpy=1.26.4
  - pandas=2.2.2

常见问题

conda 命令找不到

# 症状：安装后终端输入 conda 无反应
# 原因：conda 没有被加入 PATH，或 shell 未初始化

# 解决方案 1：手动初始化
~/miniconda3/bin/conda init bash
source ~/.bashrc

# 解决方案 2：直接使用完整路径
~/miniconda3/bin/conda --version

# 解决方案 3（Windows）：检查 PATH 环境变量是否包含
# C:\Users\用户名\miniconda3
# C:\Users\用户名\miniconda3\Scripts
# C:\Users\用户名\miniconda3\Library\bin

创建环境时 Solving environment 卡住

# 这是 conda 的依赖求解器在计算依赖关系，对复杂依赖可能非常慢

# 解决方案 1：使用 libmamba 求解器（conda 22.9+ 内置，比默认快得多）
conda install -n base conda-libmamba-solver
conda config --set solver libmamba
# 之后创建环境会快很多

# 解决方案 2：改用 mamba 命令（conda 的 C++ 重写版，自带快速求解）
conda install mamba -n base -c conda-forge
mamba create -n myenv python=3.11   # 语法与 conda 完全一致

# 解决方案 3：只装必要的包，避免一次性装太多
conda create -n myenv python=3.11   # 先只装 Python
conda install numpy pandas          # 再逐步添加

pip install 后环境混乱

# 症状：conda list 中同一个包出现两个来源（conda + pypi）
# 原因：用 pip 装了 conda 已有的包

# 查看包的来源
conda list | grep numpy

# 解决：统一来源
pip uninstall numpy           # 先删 pip 版本
conda install numpy --force-reinstall   # 再用 conda 重装

# 预防：在 environment.yml 中明确区分 conda 和 pip 依赖

跨平台 environment.yml 兼容问题

# 症状：Windows 导出的 environment.yml 在 Linux 上安装报错
# 原因：某些包有平台相关的构建标签

# 解决：导出跨平台兼容版本
conda env export --from-history --no-builds > environment.yml
# --from-history：只导出显式安装的包
# --no-builds：去掉平台相关的构建标签

卸载 Miniconda

# Linux / macOS / WSL
rm -rf ~/miniconda3
rm -rf ~/.conda
# 同时清理 ~/.bashrc 中 conda init 添加的代码块
# 删除 # >>> conda initialize >>> 到 # <<< conda initialize <<< 之间的所有内容

# Windows
# 控制面板 → 程序和功能 → 卸载 Miniconda3
# 或运行卸载程序：
C:\Users\用户名\miniconda3\Uninstall-Miniconda3.exe

命令速查

命令	说明
`conda create -n name python=3.11`	创建环境
`conda create -p ./.venv python=3.11`	创建项目级环境
`conda activate name`	激活环境
`conda deactivate`	退出环境
`conda env list`	列出所有环境
`conda remove -n name --all`	删除环境
`conda install pkg`	安装包
`conda remove pkg`	卸载包
`conda update --all`	更新所有包
`conda list`	列出已安装的包
`conda search pkg`	搜索包
`conda env export > env.yml`	导出环境配置
`conda env create -f env.yml`	从配置创建环境
`conda clean --all`	清理缓存
`conda config --set solver libmamba`	启用快速求解器

总结

需求	对应工具
Node.js 版本管理	NVM
Java 生态版本管理	SDKMAN
Python 生态版本管理	Miniconda
多语言版本管理	asdf（可选，但学习成本高）

至此你的开发工具链已经完整：WSL（Linux 环境）→ NVM（Node）→ SDKMAN（Java）→ Miniconda（Python），覆盖了前端、后端、数据与 AI 三大领域的版本管理需求。每个工具各司其职，互不干扰。