前面我写文章分别介绍了 Python 的两个虚拟环境管理工具 venv 和 Conda ，并进行过适用场景对比。但具体应该如何选择呢，我想分享我个人的选择策略，希望能给你提供一个更具体的参考。
macOS
在 MacBook Pro 上，我一般进行纯 Python 开发，倾向于使用 pyenv + venv 的组合。pyenv 负责管理和切换全局的 Python 版本，venv 则为每个项目创建极致轻量的虚拟环境。
这套组合非常优雅，工具链清晰解耦，完全符合这类项目的需求。
Windows
Windows 上的情况要复杂一些。
在我的 Windows 笔记本 上，由于配备了 NVIDIA 显卡，可以用于 AI 和机器学习开发，所以会安装 miniconda，但一定要注意：
不要“Add Miniconda3 to my PATH environment variable”，
也不要“Register Miniconda3 as my default Python”，
避免干扰系统。如果想使用
Conda，通过“开始菜单”找到并打开 Anaconda Prompt (Miniconda3) 来使用。
至于使用哪种虚拟环境管理工具，需要根据场景选择。
纯 Python 开发
纯 Python 开发，仍然使用 venv 创建虚拟环境。
AI 开发
AI 开发，需要依赖复杂的 CUDA Toolkit 和 cuDNN。按道理应该使用 Conda，可以一键在虚拟环境中安装 CUDA Toolkit 和 cuDNN 本地依赖。
|
|
但最新的 pytorch 安装向导 Start Locally，已经取消了 Conda 选项，只能在 Previous PyTorch Versions 中找到 Conda 的安装命令。
PyTorch 官方在 2024 年 10 月 22 日通过 GitHub Issue 正式宣布了这一重要决定：
“2.5 will be the last release of PyTorch that will be published to the pytorch channel on Anaconda.”
至于原因，官方声明中提到，将维护资源集中在用户最常用的平台上，可以提供更好的支持和更优质的用户体验。
那么如果想使用最新版的 pytorch，就不能使用 Conda 了。还是老老实实参考文档，在全局环境中安装并设置 CUDA Toolkit 和 cuDNN，然后使用 venv 创建虚拟环境，拷贝执行 Start Locally 提供命令，在虚拟环境中安装 PyTorch。
多版本需求
如果你的项目依赖特定的 Python 版本，那么建议使用 Conda，为项目创建指定 Python 版本的虚拟环境。
复杂的本地依赖
Conda 能够轻松处理那些依赖复杂底层库，它不仅仅管理 Python 包，它管理的是一个完整的、包含所有底层二进制依赖的软件栈。对于依赖复杂非 Python 组件的项目，Conda 很适合。