Pixi

前言

前文见：conda你真的可以去死了。

在写了三四个月的文档之后，又要做深度学习开发了，正受Conda困扰之时，被推荐了uv和pixi，稍作了解之后选择了pixi并决定用上一阵。就目前的体验来说，pixi开发非常符合一般现代项目的开发方式，conda/mamba基本就可以彻底扔一边了。

简介

Pixi是由prefix.dev开发的新一代跨平台、多语言软件包管理与工作流工具。其底层基于Rust编写的rattler库，并集成uv作为PyPI解析后端，旨在彻底解决Conda生态中解析缓慢、环境不可复现及跨语言依赖混乱的痛点。

下表对比了Python生态下常见的包管理方案。

工具	定位	依赖范围	速度	是否管 Python 版本	可复现性	典型场景
pip	包安装器	仅 Python 包	慢	否	弱	官方标准、最小工具链
venv	环境隔离	无依赖管理	—	否	—	轻量虚拟环境
conda	环境+包管理	Python + 非 Python	中	是	强	科学计算、跨语言依赖
mamba	conda 加速器	同 conda	快	是	强	conda 的性能替代
uv	pip+venv+resolver	Python 包	极快	否	强	现代 Python 开发
pixi	conda-like	多语言	快	是	很强	可复现实验/项目级环境
poetry	项目级管理	Python 包	中	否	强	应用/库开发
pipenv	pip+venv	Python 包	慢	否	中	已逐渐弱化

Pixi 核心优势： 它在继承Conda强大的二进制分发（如CUDA、C++编译器）与跨语言管理能力的同时，引入了类似Cargo(Rust)和pnpm(Node.js)的现代工作流体验，通过极致的解析速度与严格的锁定机制，实现了“一次配置，全机房复现”的开发闭环。

基本概念

工作机制与本地化环境

Pixi采用以项目为中心的管理模式。运行pixi init后，它不再像传统Conda那样将环境存储在全局anaconda3/envs路径下，而是在项目根目录创建.pixi/隐藏文件夹。所有二进制文件、库和Python解释器均硬链接至此，确保环境与项目生命周期同步，且不同项目间物理隔离。

核心配置文件

Pixi的运行高度依赖以下两个文件：

• pixi.toml（清单文件）： 类似于package.json。用于声明项目元数据、支持的平台、Conda渠道优先级以及项目依赖（包括[dependencies]和[pypi-dependencies]）。
• pixi.lock（锁文件）： 类似于yarn.lock或package-lock.json。该文件由Pixi自动生成，详细记录了所有依赖包的精确版本、哈希值及下载地址。它是跨平台复现的核心，确保团队成员在不同机器上安装的内容完全一致。

任务系统（Tasks）

Pixi 内置了功能强大的跨平台Task Runner。在pixi.toml的[tasks]部分，开发者可以定义复杂的命令流：

• 跨平台兼容： Pixi提供内置Shell模拟器，使rm -rf或export等命令在Windows和Linux上表现一致。
• 依赖链管理： 任务可以设置depends-on属性。例如，定义train任务依赖于preprocess，运行前者会自动先触发后者。
• 缓存与增量： 支持根据文件变化（inputs/outputs）决定是否跳过已完成的任务，极大提升深度学习预处理效率。

体验和补充

整体体验

可以用pixi shell保持环境active（使用exit或ctrl+d退出）。或者使用task时，用pixi run {taskname}。这二者也不互斥，无论在不在shell环境都可以用同样的命令调用task。

Pixi几乎到处都是优势：极简的安装流程、卓越的多平台兼容性、毫秒级的依赖解析与并发下载速度。即便遭遇复杂的版本冲突，pixi也会提供详尽的冲突路径图辅助解决。在二进制文件的处理上，Windows这块难啃的骨头pixi处理得相对轻松，相对于体积庞大且难用的MSVC，Pixi允许在Windows上使用轻量的MinGW或Clang工具链。

总的来说，Pixi标志着Python环境管理进入了“声明式”时代，是深度学习项目实现工程化复现的最佳实践。

补充

项目迁移到pixi

从Pixi迁移回去就暂时不考虑了。

从Conda或Pip迁移至Pixi是深度学习开发中的常见需求。手动将数百行依赖填入配置文件不仅低效，更易导致解析冲突。Pixi提供了自动化导入机制来简化这一过程：

• 导入 requirements.txt：

执行指令：pixi import --format pypi-txt --environment default .\requirements.txt

该指令会强制Pixi将现有的Pip需求清单解析并转化为pixi.toml中的[pypi-dependencies]。--format pypi-txt 明确了输入源格式，而--environment default则指定将这些依赖注入项目的默认运行环境。

• 导入 environment.yml：

针对Conda环境文件，可直接运行pixi import environment.yml。Pixi会自动映射已有的Conda渠道（Channels）和依赖列表，将其转换为Pixi 生的配置结构，避免了人工比对版本的麻烦。

配置

针对国内网络环境及深度学习特有的二进制包下载需求，可通过在pixi.toml 中配置[pypi-options]优化链路：

• 加速基础 Python 包下载：

需求： 默认PyPI源在境内访问速度较慢，可以切换至清华等国内镜像源以加速下载。

配置： index-url = "https://pypi.tuna.tsinghua.edu.cn/simple"

• 安装特定版本的 CUDA/PyTorch：

需求： 许多深度学习框架的特定版本（如CUDA 12.4编译版）并未发布在标准PyPI，需指定官方的Wheel仓库路径进行检索。

配置： extra-index-urls = ["https://download.pytorch.org/whl/cu124"]（示例）

• 解决多源依赖冲突：

需求： 当主源与额外源（Extra URLs）中存在同名不同版本的包（例如packaging）时，需要强制Pixi在所有源中搜寻并匹配最符合当前环境的版本，而非在找到第一个源后立即停止。

配置： index-strategy = "unsafe-best-match"