Python 和 C++ 开发者，一个 Miniforge 足矣

打开 Reddit 的 Python 版块，每隔几天就会有人问：“我应该用 Poetry 还是 pipenv？"、“uv 真的那么快吗？"、“conda 会被淘汰吗？”

点开评论区，永远在吵。有人推荐 Poetry，有人吹 uv，有人说 conda 才是王道。

作为一个同时用 Python 和 C++ 的开发者，你可能更纠结——Python 的 venv 管不了 C++ 库，conda 又总是被说"慢”。

其实，你可能只需要一个工具：Miniforge。

先说结论

如果你是：
- Python 开发者（Web/脚本/通用）
- C++ 开发者（需要各种库）
- 数据科学/机器学习从业者
- 交叉编译/多平台开发者

Miniforge = 一个工具搞定全部

为什么不是别的？

让我们看看各种工具的痛点：

venv / virtualenv

python -m venv myenv
source myenv/bin/activate
pip install numpy

问题来了：

❌ 只管 Python 包，C++ 库？装不了
❌ Python 版本切换？需要 pyenv
❌ 依赖锁定？需要额外工具

三个工具才能干一件事。

Poetry

poetry new myproject
poetry install

很优雅，但：

❌ C++ 包？不支持
❌ 非 Python 语言？不支持
❌ 某些科学计算包版本冲突？解不出来

如果你只写纯 Python，Poetry 很好。但你有 C++ 需求？它帮不上。

uv

2026 年的明星，快得离谱：

uv pip install numpy pandas torch  # 秒级完成

但：

❌ C++ 库？还是要自己编译
❌ CUDA 工具链？需要额外配置
❌ 某些包的预编译二进制？只在 conda 有

uv 是最快的 Python 包管理器，但它管不了非 Python 的世界。

Anaconda / Miniconda

比上面好一点，能装 C++ 包了：

conda install gcc_linux-64 eigen

但：

⚠️ 默认频道包旧、更新慢
⚠️ 商业使用有许可证限制
⚠️ 依赖解析曾经慢得令人发指

能用，但体验不够现代。

Miniforge 的优势

Miniforge 是什么？用一句话说：

Miniforge = Miniconda 的社区版，默认用 conda-forge 频道，预装 mamba 加速

它解决了什么？

问题	Miniforge 的解法
Python 包管理	✅ conda install
C++ 库管理	✅ conda install gcc eigen boost
Python 版本切换	✅ conda create -n py312 python=3.12
依赖解析慢	✅ 预装 mamba（C++ solver，快 10-100 倍）
包版本旧	✅ 默认 conda-forge（社区维护，更新快）
多架构支持	✅ ARM/POWER/x86 都有预编译包
商业使用	✅ 完全开源，无限制

真实对比

安装 PyTorch + CUDA 支持：

# uv 需要指定额外 index
uv pip install torch --index-url https://download.pytorch.org/whl/cu121

# pip 更慢，还需要手动装 CUDA
pip install torch
# 然后去 NVIDIA 下载 CUDA toolkit...

# Miniforge 一步到位
conda install pytorch cuda-toolkit  # 自动搞定依赖

实战指南

安装

# macOS/Linux
curl -L -O https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh
bash Miniforge3-$(uname)-$(uname -m).sh

# Windows
# 下载 .exe 安装包，双击运行

基础使用

# 创建新环境，指定 Python 版本
conda create -n myproject python=3.12

# 激活环境
conda activate myproject

# 安装 Python 包
conda install numpy pandas requests

# 安装 C++ 库（Windows 上也能用！）
conda install eigen boost-cpp nlohmann_json

# 查看已安装的包
conda list

# 退出环境
conda deactivate

导出和复现环境

# 导出环境配置
conda env export > environment.yml

# 在另一台机器复现
conda env create -f environment.yml

多 Python 版本共存

# Python 3.10 环境
conda create -n py310 python=3.10
conda activate py310

# Python 3.12 环境
conda create -n py312 python=3.12
conda activate py312

# 任意切换
conda activate py310  # 切回 3.10

常见场景

场景 1：纯 Python Web 项目

conda create -n webapp python=3.12
conda activate webapp
conda install fastapi uvicorn sqlalchemy

用 conda 还是 pip？

主流库都在 conda-forge，直接用 conda
某些冷门库可能只有 PyPI，用 pip 也可以：
```
pip install 那个冷门库
```

场景 2：C++ 项目需要依赖库

conda create -n cpplib
conda activate cpplib
conda install eigen nlohmann_json boost-cpp cmake ninja

# 查看库的路径
conda activate cpplib
echo $CONDA_PREFIX  # 库都在这里

为什么不用系统包管理器？

macOS 的 Homebrew 会装到 /usr/local，可能冲突
Ubuntu 的 apt 版本老旧
Windows 根本没有统一的包管理
conda 把所有东西隔离在环境里，干净清爽

场景 3：GPU 深度学习

conda create -n gpu python=3.11
conda activate gpu
conda install pytorch torchvision pytorch-cuda=12.1

一行搞定，不用折腾驱动、不用手动装 CUDA。

场景 4：交叉编译

# 为 Linux ARM64 编译
conda install -c conda-forge gcc_linux-64 binutils

# 为 Windows 编译（在 Linux 上）
conda install mingw-w64

一些小技巧

1. 优先用 mamba

Miniforge 预装了 mamba，它是 conda 的 C++ 版，速度飞快：

# 把 conda 换成 mamba，命令完全一样
mamba create -n fastenv python=3.12
mamba install numpy pandas

2. 别在 base 环境瞎装

# ❌ 不推荐
conda install numpy pandas

# ✅ 推荐
conda create -n myproject python=3.12
conda activate myproject
conda install numpy pandas

保持 base 环境干净，需要什么就创建新环境。

3. conda 和 pip 可以混用

conda activate myenv
conda install numpy pandas  # 先用 conda 装大的
pip install 某个只有 PyPI 才有的包  # 再用 pip 补充

但注意：优先用 conda，pip 作为补充。conda 能更好地处理非 Python 依赖。

什么时候不用 Miniforge？

没有工具是万能的，以下场景 Miniforge 不是最优：

场景	更好的选择
纯前端开发（Node.js）	fnm / nvm
Rust 开发	rustup
Go 开发	go 自带
只想要最快的 pip 替代	uv

但如果你是 Python + C++ 混合开发，Miniforge 依然是唯一能打通两者的工具。

总结

工具	Python	C++	速度	易用
venv	✅	❌	-	😐
Poetry	✅	❌	🚀	😊
uv	✅	❌	⚡	😊
conda	✅	✅	🐌	😊
Miniforge	✅	✅	🚀	😊

Miniforge 不是最快的，不是最轻的，但它是最全能的。

当你：

写 Python 时需要 C++ 库
在 Windows 上开发但需要 Linux 工具链
需要多个 Python 版本共存
不想折腾一堆工具

Miniforge 就够了。

Python 和 C++ 开发者，一个 Miniforge 足矣#

先说结论#

为什么不是别的？#

venv / virtualenv#

Poetry#

uv#

Anaconda / Miniconda#

Miniforge 的优势#

它解决了什么？#

真实对比#

实战指南#

安装#

基础使用#

导出和复现环境#

多 Python 版本共存#

常见场景#

场景 1：纯 Python Web 项目#

场景 2：C++ 项目需要依赖库#

场景 3：GPU 深度学习#

场景 4：交叉编译#

一些小技巧#

1. 优先用 mamba#

2. 别在 base 环境瞎装#

3. conda 和 pip 可以混用#

什么时候不用 Miniforge？#

总结#

参考资料#